Web安全之深度學(xué)習(xí)實戰(zhàn)

定　價：￥79.00

作　者：	劉焱著
出版社：	機械工業(yè)出版社
叢編項：
標(biāo)　簽：	>計算機/網(wǎng)絡(luò) >通信 >網(wǎng)絡(luò)與數(shù)據(jù)通信

購買這本書可以去

ISBN：	9787111584476	出版時間：	2017-12-01	包裝：	平裝
開本：	16開	頁數(shù)：	251	字?jǐn)?shù)：

內(nèi)容簡介

　　在現(xiàn)今的互聯(lián)網(wǎng)公司中，產(chǎn)品線綿延復(fù)雜，安全防御體系無時無刻不在應(yīng)對新的挑戰(zhàn)。哪怕是擁有豐富工作經(jīng)驗的安全從業(yè)者，在面對層出不窮的攻擊手段和海量日志數(shù)據(jù)時也會望洋興嘆。機器學(xué)習(xí)、深度學(xué)習(xí)是這些問題天然契合的解決方案，在數(shù)據(jù)量以指數(shù)級不斷增長的未來，甚至有可能是唯*的出路。當(dāng)AI遇到安全時，如何快速進(jìn)化，本書給出了實戰(zhàn)方案。本書是作者推出AI+安全暢銷書《Web安全之機器學(xué)習(xí)》之后又一力作。本書首先介紹如何打造自己的深度學(xué)習(xí)工具箱，包括TensorFlow、TFLearn等深度學(xué)習(xí)庫的安裝以及使用方法。接著介紹卷積神經(jīng)網(wǎng)絡(luò)和循環(huán)神經(jīng)網(wǎng)絡(luò)這兩大深度學(xué)習(xí)算法的基礎(chǔ)知識。特別著重介紹在生產(chǎn)環(huán)境搭建深度學(xué)習(xí)平臺需要使用的開源組件，包括Logstash、Kafka、Storm、Spark等。隨后講解了11個使用機器學(xué)習(xí)技術(shù)解決實際安全問題的案例，包括驗證碼識別、垃圾郵件識別、負(fù)面評論識別、騷擾短信識別、Linux后門檢測、惡意操作行為檢測、Webshell檢測、智能掃描、DGA域名檢測、惡意程序分類識別、反信用卡欺詐。本書針對每一個算法都給出了具體案例，理論結(jié)合實際，講解清晰，文筆幽默，適合有信息安全基礎(chǔ)知識的網(wǎng)絡(luò)開發(fā)與運維技術(shù)人員參考。主要內(nèi)容包括：1.如何基于TensorFlow和TFLearn打造自己的深度學(xué)習(xí)工具箱。2.如何基于Logstash、Kafka、Storm、Spark等打造深度學(xué)習(xí)的生產(chǎn)環(huán)境。3.如何在MNIST數(shù)據(jù)集上實現(xiàn)驗證碼識別。4.如何在安然數(shù)據(jù)集上實現(xiàn)垃圾郵件檢測。5.如何在IMDB數(shù)據(jù)集上實現(xiàn)負(fù)面評論識別。6.如何在SMSSpamCollection數(shù)據(jù)集上實現(xiàn)騷擾短信識別。7.如何在ADFA-LD數(shù)據(jù)集上實現(xiàn)Linux后門檢測。8.如何在SEA數(shù)據(jù)集上實現(xiàn)惡意操作行為檢測。9.如何在MIST數(shù)據(jù)集上實現(xiàn)惡意程序分類識別。10.如何在Kaggle公開的數(shù)據(jù)集上實現(xiàn)信用卡欺詐檢測。11.如何在GitHub公開的數(shù)據(jù)集上實現(xiàn)Webshell檢測，智能掃描和DGA域名檢測。

作者簡介

　　劉焱，百度安全Web防護(hù)產(chǎn)品線負(fù)責(zé)人，負(fù)責(zé)百度安全的Web安全產(chǎn)品，包括防DDoS、Web應(yīng)用防火墻、Web威脅感知、服務(wù)器安全以及安全數(shù)據(jù)分析等，具有近十年云安全及企業(yè)安全從業(yè)經(jīng)歷，全程參與了百度企業(yè)安全建設(shè)。研究興趣包括機器學(xué)習(xí)、Web安全、僵尸網(wǎng)絡(luò)、威脅情報等。他是FreeBuf專欄作家、i春秋知名講師，多次在OWASP、電子學(xué)會年會等發(fā)表演講，參與編寫了《大數(shù)據(jù)安全標(biāo)準(zhǔn)白皮書》。他還建立了微信公眾號“兜哥帶你學(xué)安全”，分享了大量信息安全技術(shù)知識。AI+安全暢銷書《Web安全之機器學(xué)習(xí)》的作者。

圖書目錄

對本書的贊譽
序
前言
第1章　打造深度學(xué)習(xí)工具箱1
1.1　TensorFlow1
1.1.1　安裝1
1.1.2　使用舉例3
1.2　TFLearn3
1.3　PaddlePaddle4
1.3.1　安裝5
1.3.2　使用舉例6
1.4　Karas7
1.5　本章小結(jié)9
第2章　卷積神經(jīng)網(wǎng)絡(luò)10
2.1　傳統(tǒng)的圖像分類算法10
2.2　基于CNN的圖像分類算法11
2.2.1　局部連接11
2.2.2　參數(shù)共享13
2.2.3　池化15
2.2.4　典型的CNN結(jié)構(gòu)及實現(xiàn)16
2.2.5　AlexNet的結(jié)構(gòu)及實現(xiàn)19
2.2.6　VGG的結(jié)構(gòu)及實現(xiàn)24
2.3　基于CNN的文本處理29
2.3.1　典型的CNN結(jié)構(gòu)30
2.3.2　典型的CNN代碼實現(xiàn)30
2.4　本章小結(jié)32
第3章　循環(huán)神經(jīng)網(wǎng)絡(luò)33
3.1　循環(huán)神經(jīng)算法概述34
3.2　單向循環(huán)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)與實現(xiàn)36
3.3　雙向循環(huán)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)與實現(xiàn)38
3.4　循環(huán)神經(jīng)網(wǎng)絡(luò)在序列分類的應(yīng)用41
3.5　循環(huán)神經(jīng)網(wǎng)絡(luò)在序列生成的應(yīng)用42
3.6　循環(huán)神經(jīng)網(wǎng)絡(luò)在序列標(biāo)記的應(yīng)用43
3.7　循環(huán)神經(jīng)網(wǎng)絡(luò)在序列翻譯的應(yīng)用44
3.8　本章小結(jié)46
第4章　基于OpenSOC的機器學(xué)習(xí)框架47
4.1　OpenSOC框架47
4.2　數(shù)據(jù)源系統(tǒng)48
4.3　數(shù)據(jù)收集層53
4.4　消息系統(tǒng)層57
4.5　實時處理層60
4.6　存儲層62
4.6.1　HDFS62
4.6.2　HBase64
4.6.3　Elasticsearch65
4.7　分析處理層66
4.8　計算系統(tǒng)67
4.9　實戰(zhàn)演練72
4.10　本章小結(jié)77
第5章　驗證碼識別78
5.1　數(shù)據(jù)集79
5.2　特征提取80
5.3　模型訓(xùn)練與驗證81
5.3.1　K近鄰算法81
5.3.2　支持向量機算法81
5.3.3　深度學(xué)習(xí)算法之MLP82
5.3.4　深度學(xué)習(xí)算法之CNN83
5.4　本章小結(jié)87
第6章　垃圾郵件識別88
6.1　數(shù)據(jù)集89
6.2　特征提取90
6.2.1　詞袋模型90
6.2.2　TF-IDF模型93
6.2.3　詞匯表模型95
6.3　模型訓(xùn)練與驗證97
6.3.1　樸素貝葉斯算法97
6.3.2　支持向量機算法100
6.3.3　深度學(xué)習(xí)算法之MLP101
6.3.4　深度學(xué)習(xí)算法之CNN102
6.3.5　深度學(xué)習(xí)算法之RNN106
6.4　本章小結(jié)108
第7章　負(fù)面評論識別109
7.1　數(shù)據(jù)集110
7.2　特征提取112
7.2.1　詞袋和TF-IDF模型112
7.2.2　詞匯表模型114
7.2.3　Word2Vec模型和Doc2Vec模型115
7.3　模型訓(xùn)練與驗證119
7.3.1　樸素貝葉斯算法119
7.3.2　支持向量機算法122
7.3.3　深度學(xué)習(xí)算法之MLP123
7.3.4　深度學(xué)習(xí)算法之CNN124
7.4　本章小結(jié)127
第8章　騷擾短信識別128
8.1　數(shù)據(jù)集129
8.2　特征提取130
8.2.1　詞袋和TF-IDF模型130
8.2.2　詞匯表模型131
8.2.3　Word2Vec模型和Doc2Vec模型132
8.3　模型訓(xùn)練與驗證134
8.3.1　樸素貝葉斯算法134
8.3.2　支持向量機算法136
8.3.3　XGBoost算法137
8.3.4　深度學(xué)習(xí)算法之MLP140
8.4　本章小結(jié)141
第9章　Linux后門檢測142
9.1　數(shù)據(jù)集142
9.2　特征提取144
9.3　模型訓(xùn)練與驗證145
9.3.1　樸素貝葉斯算法145
9.3.2　XGBoost算法146
9.3.3　深度學(xué)習(xí)算法之多層感知機148
9.4　本章小結(jié)149
第10章　用戶行為分析與惡意行為檢測150
10.1　數(shù)據(jù)集151
10.2　特征提取152
10.2.1　詞袋和TF-IDF模型152
10.2.2　詞袋和N-Gram模型154
10.2.3　詞匯表模型155
10.3　模型訓(xùn)練與驗證156
10.3.1　樸素貝葉斯算法156
10.3.2　XGBoost算法157
10.3.3　隱式馬爾可夫算法159
10.3.4　深度學(xué)習(xí)算法之MLP164
10.4　本章小結(jié)166
第11章　WebShell檢測167
11.1　數(shù)據(jù)集168
11.1.1　WordPress168
11.1.2　PHPCMS170
11.1.3　phpMyAdmin170
11.1.4　Smarty171
11.1.5　Yii171
11.2　特征提取172
11.2.1　詞袋和TF-IDF模型172
11.2.2　opcode和N-Gram模型174
11.2.3　opcode調(diào)用序列模型180
11.3　模型訓(xùn)練與驗證181
11.3.1　樸素貝葉斯算法181
11.3.2　深度學(xué)習(xí)算法之MLP182
11.3.3　深度學(xué)習(xí)算法之CNN184
11.4　本章小結(jié)188
第12章　智能掃描器189
12.1　自動生成XSS攻擊載荷190
12.1.1　數(shù)據(jù)集190
12.1.2　特征提取194
12.1.3　模型訓(xùn)練與驗證195
12.2　自動識別登錄界面198
12.2.1　數(shù)據(jù)集198
12.2.2　特征提取199
12.2.3　模型訓(xùn)練與驗證201
12.3　本章小結(jié)203
第13章　DGA域名識別204
13.1　數(shù)據(jù)集206
13.2　特征提取207
13.2.1　N-Gram模型207
13.2.2　統(tǒng)計特征模型208
13.2.3　字符序列模型210
13.3　模型訓(xùn)練與驗證210
13.3.1　樸素貝葉斯算法210
13.3.2　XGBoost算法212
13.3.3　深度學(xué)習(xí)算法之多層感知機215
13.3.4　深度學(xué)習(xí)算法之RNN218
13.4　本章小結(jié)221
第14章　惡意程序分類識別222
14.1　數(shù)據(jù)集223
14.2　特征提取226
14.3　模型訓(xùn)練與驗證228
14.3.1　支持向量機算法228
14.3.2　XGBoost算法229
14.3.3　深度學(xué)習(xí)算法之多層感知機230
14.4　本章小結(jié)231
第15章　反信用卡欺詐232
15.1　數(shù)據(jù)集232
15.2　特征提取234
15.2.1　標(biāo)準(zhǔn)化234
15.2.2　標(biāo)準(zhǔn)化和降采樣234
15.2.3　標(biāo)準(zhǔn)化和過采樣236
15.3　模型訓(xùn)練與驗證239
15.3.1　樸素貝葉斯算法239
15.3.2　XGBoost算法243
15.3.3　深度學(xué)習(xí)算法之多層感知機247
15.4　本章小結(jié)251