全球首發！攻擊型AI專業認證COASP恆逸獨家

AI Security Certification

AI 攻擊正在演進，
您的防禦跟上了嗎？

根據調查，87% 的組織曾遭受 AI 驅動的攻擊！傳統的滲透測試已無法應對提示詞注入 (Prompt Injection) 與資料污染 (Data Poisoning) 等新型威脅。C|OASP 為全球首張針對攻擊型 AI 的專業認證，讓您在攻擊者動手前，先一步破解模型與保護您的 AI 代理！

87%組織曾遭受 AI 驅動的攻擊

⚠️ 為何傳統安全措施無法對 AI？

一旦 AI 系統進入實際運作階段，便會產生新的攻擊路徑，像是模型、提示詞、資料流程、AI 代理工作流程、API 與整合等，這些環節都成為潛在弱點。傳統的滲透測試並無法全面涵蓋 LLM 的資安風險。

結果：未經安全測試就部署人工智能系統，等於是在自找被攻破的機會。

主要威脅類型

💉

Prompt Injection

攻擊者透過操控大型語言模型的輸入內容，繞過安全防護機制，進而竊取敏感資料或執行未經授權的操作。

🕵️

Model Extraction

攻擊者透過精心設計的查詢策略，系統性地竊取具有專有價值的 AI 模型，複製出耗費數月訓練資源所積累的成果。

☠️

Data Poisoning

攻擊者透過竄改訓練資料，在模型中植入隱藏後門，使其在特定觸發條件下啟動，進而破壞模型的完整性與可信度。

🔓

Jailbreaking

攻擊者透過精密構造的提示詞，強制覆蓋 AI 系統的安全機制，誘使模型產生有害內容或違反使用規範的輸出結果。

---

AI 紅隊測試：全新專業領域

市場不需要更多的 AI 工具，而是需要專業的 AI 安全人才。搶在攻擊者來之前揭露 AI 系統的弱點，全新攻擊型 AI 專業認證 C|OASP 登場！

C|OASP 是一項注重實務操作的專業認證，旨在驗證持證者具備以符合道德規範的方式對 AI 系統進行安全測試的能力，並能透過工程層面的控制措施有效保護 AI 系統。

▶以攻擊者視角深入剖析 AI 系統架構

▶識別模型與工作流程中潛在的安全弱點

▶驗證現有安全防護機制的有效性

▶在系統正式上線前，提前識別並降低營運風險

攻擊性 AI 安全方法論

從情報收集到利用漏洞、從測試到加強安全措施，都有系統化的方法可以讓人工智慧系統免受各種威脅。

01 RECON

偵查

繪製 AI 系統的架構圖，列出所有可被攻擊的端點，並建立威脅模型。分析訓練流程、數據流以及推理 API，以找出防禦最薄弱的環節。

02 EXPLOIT

利用

執行指令注入、越獄、數據污染和模型提取等攻擊，以驗證人工智能系統的弱點並記錄可被利用的漏洞。

03 DEFEND

防禦

應採取各種防護措施、檢測機制和應對程序，以增強人工智能系統的安全性，確保其能夠穩定且安全地運作。

C|OASP 的最大特色

🧪

大量實作

橫跨各模組共 30 項實務演練，涵蓋提示詞注入、模型萃取、對抗性攻擊，以及紅隊與藍隊攻防情境。

🗂️

DCWF 對應學習路徑

實驗室內容對應美國國防部／NICE DCWF 知識、技能與能力（KSA）架構，涵蓋偵察、漏洞利用、模型萃取與威脅獵捕等核心職能。

🔄

完整應對生命週期

循序漸進，從偵察與提示詞利用，延伸至記憶體操控、供應鏈滲透，直至風險報告產出，全程掌握攻擊鏈每一環節。

AI 安全的成敗，不僅取決於模型本身，更在於能否預判威脅、模擬攻擊、驗證控制措施，並在 AI 生命週期的每個階段持續強化系統韌性。

對企業的實質效益

✦協助組織在攻擊者得手之前，主動識別並消除 AI 特定威脅。

✦整合資安、工程與資料科學團隊，確保安全控制措施貫穿 AI 系統的完整生命週期。

✦透過導入 OWASP LLM Top 10 與 MITRE ATLAS 框架，填補 AI 紅隊演練方法論標準化不足的缺口。

✦透過揭露第三方風險，強化外掛程式、API 及供應商生態系的整體韌性。

✦由於防禦人員深入理解攻擊者在模型、應用程式及系統層面的戰術手法，有效提升監控能力與事件應變效率。

✦鞏固安全且符合道德規範的 AI 部署實踐，在推動創新的同時維護組織信任。

課程模組總覽

模組 01

進攻式 AI 與 AI 系統入侵方法論

建立進攻式 AI 安全的核心基礎，深入了解 AI 系統的設計架構、常見失效點，以及攻擊者的利用手法，並運用結構化入侵方法論與國際認可的 AI 安全框架進行系統性分析。

模組 02

AI 偵察與攻擊面映射

學習以 AI 為核心的進階 OSINT 技術，識別、列舉並分析 AI 資產、資料管道、模型、API 及攻擊面，同時運用曝險緩解與系統強化策略，支援持續性的 AI 安全監控。

模組 03

AI 漏洞掃描與模糊測試

精通 AI 專屬的漏洞評估與模糊測試技術，全面識別、分析並修補現代 AI 系統與應用程式中的安全弱點。

模組 04

提示詞注入與 LLM 應用程式攻擊

深入分析並利用 LLM 信任邊界，掌握進階提示詞注入、越獄攻擊與輸出操控技術，同時識別敏感資料外洩及不安全 LLM 應用設計所帶來的潛在風險。

模組 05

對抗性機器學習與模型隱私攻擊

實作並分析對抗性機器學習、隱私竊取與模型萃取攻擊，評估 AI 系統的穩健性、可信度與風險等級，並研擬相應的防禦策略加以緩解。

模組 06

資料與訓練管道攻擊

透過資料投毒與後門植入技術，針對訓練管道與模型完整性發動攻擊，深入理解 AI 系統遭受破壞的途徑與防護方式。

模組 07

代理式 AI 與模型間攻擊

分析並利用自主 AI 代理與多模型架構的安全弱點，涵蓋過度授權、跨 LLM 互動、協作流程編排及無限制資源消耗等攻擊向量，同時掌握保護代理式系統的防禦策略。

模組 08

AI 基礎設施與供應鏈攻擊

探索針對 AI 基礎設施、系統整合及第三方相依元件的進攻技術，學習如何識別、利用並強化 AI 供應鏈中的安全弱點。

模組 09

AI 安全測試、評估與系統強化

運用結構化的 AI 安全測試與評估方法論，系統性地評估風險、驗證控制措施的有效性，並在企業級 AI 系統中落實強化最佳實踐。

模組 10

AI 事件應變與數位鑑識

精通 AI 專屬的事件應變流程與數位鑑識技術，並透過實戰演練參與 AI 紅隊攻防演習，將所學能力整合於真實情境中加以驗證。

課程涵蓋 20+ 項實戰進攻式 AI 安全技術

OSINT 驅動的供應鏈安全評估AI 模型漏洞研究透過模型指紋識別進行 AI 偵察多協定偵察技術遙測數據分析以映射 AI 決策邊界API 偵察技術針對 AI 驅動基礎設施的模型工件資料外洩使用覆蓋率導向模糊測試評估 AI 模型穩健性使用 PyRIT 建構有狀態 AI 漏洞掃描器AI 聊天機器人的提示詞注入與角色扮演型權限提升攻擊以提示詞編排自動化繞過 LLM 過濾機制使用 PAIR、TAP 與 GCG 編排框架自動化執行進階越獄攻擊AI 驅動搜尋介面中自然語言轉 SQL（NL2SQL）的安全漏洞DocsGPT 中的遠端程式碼執行（RCE）漏洞針對圖像分類器的快速梯度符號法（FGSM）與投影梯度下降（PGD）攻擊針對 AI 模型的遷移攻擊、邊界攻擊與雜訊攻擊針對音訊分類與語音轉錄模型的投影梯度下降（PGD）攻擊針對 NLP 分類器的梯度型與啟發式攻擊AI 端點的 API 偵察與模型萃取攻擊針對 AI 系統的 RAG 投毒與上下文提示詞注入攻擊透過標籤翻轉執行訓練資料投毒供應鏈資料投毒攻擊針對自主 AI 代理的權限提升與命令注入攻擊針對 AI 助理的多階段提示詞注入與阻斷服務攻擊針對存取控制系統的 AI 模型供應鏈投毒攻擊透過 MLflow 不安全反序列化執行遠端程式碼（RCE）針對混淆資料集的鑑識訊號萃取與遙測分析透過訓練資料污染攻擊 AI 系統

對應國際標準與框架

MITRE ATLAS 框架OWASP LLM Top 10（2025 年版）OWASP 機器學習安全 Top 10（2025 年版）OWASP 代理式應用程式 Top 10美國國防部 AI 測試與評估專家（672）框架NIST AI 風險管理框架

C|OASP 驗證你識別、利用與防禦 AI 系統的實戰能力，對應以下高薪職位

AI 紅隊專家／對抗式 AI 工程師

進攻式安全工程師（AI／LLM）

對抗式 AI 安全分析師／AI 威脅獵手

AI 事件應變工程師／AI 數位鑑識分析師

安全 AI 工程師／AI 安全架構師

MLOps／AIOps 安全專家

AI 模型風險專家／AI 風險與保證專家

LLM 系統工程師

AI 產品安全經理／AI 安全計畫經理

網路威脅情報分析師（AI 專項）／AI 風險顧問

在攻擊者之前，先掌握能破壞 AI 系統的各種攻擊技術

從提示詞注入到模型提取，學會像敵人一樣思考，又像工程師一樣進行防禦。

20+AI 安全測試工具

20+實用型攻擊性 AI 技術

30Lab Exercises 實驗練習

15+MITRE ATLAS 技術

                             索取課程優惠方案      查詢開課時間