AI安全三部曲 Web安全之强化学习与GAN+Web安全之深度学习实战+机器学习入门 dz3c pdf epub mobi txt 电子书 下载 2025

简体网页||繁体网页

☆☆☆☆☆

刘焱 著

图书标签:

• AI安全
• Web安全
• 强化学习
• GAN
• 深度学习
• 机器学习
• 实战
• 网络安全
• dz3c
• 入门

店铺： 书海寻梦图书专营店

出版社： 机械工业出版社

ISBN：9787111593454

商品编码：26670098899

定价：￥79.00作者：

• I S B N ：978-7-111-59345-4
• 条码书号：9787111593454
• 上架日期：2018/3/27
• 出版日期：2018/3/1
• 版       次：1-1
• 出 版 社：
• 丛 书 名： 
• 页     数：262    

本书是作者AI安全领域三部曲的第三部，重点介绍强化学习和生成对抗网络的基础知识和实际应用，特别是在安全领域中攻防建设的实际应用。全书共14章，从AI安全攻防的基础知识，到智能工具的打造，全面介绍如何使用AI做安全建设的方法。内容包括如何衡量机器学习算法的性能以及集成学习的基本知识，强化学习中单智能体的强化学习，Keras下强化学习算法的一种实现：Keras-rl，强化学习领域经常使用的OpenAIGym环境；基于机器学习的恶意程序识别技术以及常见的恶意程序免杀方法，如何使用强化学习生成免杀程序，并进一步提升杀毒软件的检测能力，提升WAF的防护能力，提升反垃圾邮件的检测能力；生成对抗网络的基础知识，以及针对机器学习、强化学习的几种攻击方式。

CONTENTS

目录

对本书的赞誉

前言

第1章 AI安全之攻与防1

1.1 AI设备的安全2

1.2 AI模型的安全3

1.3 使用AI进行安全建设4

1.4 使用AI进行攻击9

1.5 本章小结9

第2章 打造机器学习工具箱11

2.1 TensorFlow11

2.2 Keras13

2.3 Anaconda14

2.4 OpenAI Gym19

2.5 Keras-rl19

2.6 XGBoost19

2.7 GPU服务器20

2.8 本章小结23

第3章 性能衡量与集成学习24

3.1 常见性能衡量指标24

3.1.1 测试数据24

3.1.2 混淆矩阵25

3.1.3 准确率与召回率25

3.1.4 准确度与F1-Score26

3.1.5 ROC与AUC27

3.2 集成学习28

3.2.1 Boosting算法29

..............

定价：￥79.00作者：

• I S B N ：978-7-111-58447-6
• 条码书号：9787111584476
• 上架日期：2017/12/18
• 出版日期：2017/12/20
• 版       次：1-1
• 出 版 社：
• 丛 书 名： 
• 页     数：251    

在现今的互联网公司中产品线绵延复杂，安全防御体系无时无刻不在应对新的挑战。哪怕是拥有丰富工作经验的安全从业者，在面对层出不穷的攻击手段和海量日志数据时也会望洋兴叹。深度学习在数据量以指数级不断增长的未来有可能是唯壹的出路。本书首先介绍如何打造自己的深度学习工具箱，包括TensorFlow、TFLearn等深度学习库的安装以及使用方法。接着介绍卷积神经网络和循环神经网络这两大深度学习算法的基础知识。特别着重介绍在生产环境搭建深度学习平台需要使用的开源组件，包括Logstash、Kafka、Storm、Spark等。随后讲解了使用机器学习技术解决实际安全问题的案例，本书针对每一个算法都给出了具体案例，理论结合实际，讲解清晰，文笔幽默，适合有信息安全基础知识的网络开发与运维技术人员参考。

ONTENTS

目 录

对本书的赞誉

序

前言

第1章 打造深度学习工具箱1

1.1 TensorFlow1

1.1.1 安装1

1.1.2 使用举例3

1.2 TFLearn3

1.3 PaddlePaddle4

1.3.1 安装5

1.3.2 使用举例6

1.4 Karas7

1.5 本章小结9

第2章 卷积神经网络10

2.1 传统的图像分类算法10

2.2 基于CNN的图像分类算法11

2.2.1 局部连接11

2.2.2 参数共享13

2.2.3 池化15

2.2.4 典型的CNN结构及实现16

2.2.5 AlexNet的结构及实现19

2.2.6 VGG的结构及实现24

2.3 基于CNN的文本处理29

2.3.1 典型的CNN结构30

2.3.2 典型的CNN代码实现30

2.4 本章小结32

第3章 循环神经网络33

3.1 循环神经算法概述34

3.2 单向循环神经网络结构与实现36

3.3 双向循环神经网络结构与实现38

3.4 循环神经网络在序列分类的应用41

3.5 循环神经网络在序列生成的应用42

3.6 循环神经网络在序列标记的应用43

3.7 循环神经网络在序列翻译的应用44

3.8 本章小结46

第4章 基于OpenSOC的机器学习框架47

4.1 OpenSOC框架47

4.2 数据源48

4.3 数据收集层53

4.4 消息层57

4.5 实时处理层60

4.6 存储层62

4.6.1 HDFS62

4.6.2 HBase64

4.6.3 Elasticsearch65

4.7 分析处理层66

.............

定价：￥79.00作者：

• I S B N ：978-7-111-57642-6
• 条码书号：9787111576426
• 上架日期：2017/8/22
• 出版日期：2017/8/25
• 版       次：1-1
• 出 版 社：
• 丛 书 名： 
• 页     数：242    

本书首先介绍主流的机器学习工具，以及Python应用于机器学习的优势，并介绍Scikit-Learn环境搭建、TensorFlow环境搭建。接着介绍机器学习的基本概念和Web安全基础知识。然后深入讲解几个机器学习算法在Web安全领域的实际应用，如K近邻、决策树、朴素贝叶斯、逻辑回归、支持向量机、K-Means算法、FP-growth、隐式马尔可夫、有向图、神经网络等，还介绍了深度学习算法之CNN、RNN。本书针对每一个算法都给出了具体案例，如使用K近邻算法识别XSS攻击、使用决策树算法识别SQL注入攻击、使用逻辑回归算法识别恶意广告点击、使用K-Means算法检测DGA域名等。本书作者在安全领域有多年开发经验，全书理论结合实际，案例丰富，讲解清晰，适合于有信息安全基础知识的网络开发与运维技术人员参考。

Contents?目 录

对本书的赞誉

序一

序二

序三

前言

第1章 通向智能安全的旅程  1

1.1 人工智能、机器学习与深度学习  1

1.2 人工智能的发展  2

1.3 国内外网络安全形势  3

1.4 人工智能在安全领域的应用  5

1.5 算法和数据的辩证关系  9

1.6 本章小结  9

参考资源  10

第2章 打造机器学习工具箱  11

2.1 Python在机器学习领域的优势  11

2.1.1 NumPy  11

2.1.2 SciPy  15

2.1.3 NLTK  16

2.1.4 Scikit-Learn  17

2.2 TensorFlow简介与环境搭建  18

2.3 本章小结  19

参考资源  20

第3章 机器学习概述  21

3.1 机器学习基本概念  21

3.2 数据集  22

3.2.1 KDD 99数据  22

3.2.2 HTTP DATASET CSIC 2010  26

3.2.3 SEA数据集  26

3.2.4 ADFA-LD数据集  27

3.2.5 Alexa域名数据  29

3.2.6 Scikit-Learn数据集  29

3.2.7 MNIST数据集  30

3.2.8 Movie Review Data  31

3.2.9 SpamBase数据集  32

3.2.10 Enron数据集  33

3.3 特征提取  35

3.3.1 数字型特征提取  35

3.3.2 文本型特征提取  36

3.3.3 数据读取  37

3.4 效果验证  38

3.5 本章小结  40

参考资源  40

第4章 Web安全基础  41

4.1 XSS攻击概述  41

4.1.1 XSS的分类  43

4.1.2 XSS特殊攻击方式  48

4.1.3 XSS平台简介  50

4.1.4 近年典型XSS攻击事件分析  51

4.2 SQL注入概述  53

4.2.1 常见SQL注入攻击  54

4.2.2 常见SQL注入攻击载荷  55

4.2.3 SQL常见工具  56

4.2.4 近年典型SQL注入事件分析  60

4.3 WebShell概述  63

4.3.1 WebShell功能  64

4.3.2 常见WebShell  64

4.4 僵尸网络概述  67

4.4.1 僵尸网络的危害  68

4.4.2 近年典型僵尸网络攻击事件分析  69

4.5 本章小结  72

参考资源  72

第5章 K近邻算法  74

5.1 K近邻算法概述  74

5.2 示例：hello world！K近邻  75

5.3 示例：使用K近邻算法检测异常操作（一）  76

5.4 示例：使用K近邻算法检测异常操作（二）  80

5.5 示例：使用K近邻算法检测Rootkit  81

5.6 示例：使用K近邻算法检测WebShell  83

5.7 本章小结  85

..........

评分☆☆☆☆☆

评分☆☆☆☆☆

评分☆☆☆☆☆

评分☆☆☆☆☆

评分☆☆☆☆☆

评分☆☆☆☆☆

评分☆☆☆☆☆

评分☆☆☆☆☆

评分☆☆☆☆☆