编辑推荐
当AI遇到安全时，如何快速进化，本书给出了实战方案。
内容简介
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。
作者简介
作者刘焱，百度安全Web防护产品线负责人，负责百度安全Web安全产品，包括防DDoS、Web应用防火墙、Web威胁感知、服务器安全以及安全数据分析等，具有近十年云安全及企业安全从业经历，全程参与了百度企业安全建设。研究兴趣包括机器学习、Web安全、僵尸网络、威胁情报等。他是FreeBuf专栏作家、i春秋知名讲师，多次在OWASP 、电子学会年会等发表演讲，参与编写了《大数据安全标准白皮书》。他还建立了微信公众号：“兜哥带你学安全”，发布了大量信息安全技术知识。
章节目录
版权信息
对本书的赞誉
序
前言
致谢
第1章 打造深度学习工具箱
1.1 TensorFlow
1.1.1 安装
1.1.2 使用举例
1.2 TFLearn
1.3 PaddlePaddle
1.3.1 安装
1.3.2 使用举例
1.4 Karas
1.5 本章小结
第2章 卷积神经网络
2.1 传统的图像分类算法
2.2 基于CNN的图像分类算法
2.2.1 局部连接
2.2.2 参数共享
2.2.3 池化
2.2.4 典型的CNN结构及实现
2.2.5 AlexNet的结构及实现
2.2.6 VGG的结构及实现
2.3 基于CNN的文本处理
2.3.1 典型的CNN结构
2.3.2 典型的CNN代码实现
2.4 本章小结
第3章 循环神经网络
3.1 循环神经算法概述
3.2 单向循环神经网络结构与实现
3.3 双向循环神经网络结构与实现
3.4 循环神经网络在序列分类的应用
3.5 循环神经网络在序列生成的应用
3.6 循环神经网络在序列标记的应用
3.7 循环神经网络在序列翻译的应用
3.8 本章小结
第4章 基于OpenSOC的机器学习框架
4.1 OpenSOC框架
4.2 数据源系统
4.3 数据收集层
4.4 消息系统层
4.5 实时处理层
4.6 存储层
4.6.1 HDFS
4.6.2 HBase
4.6.3 Elasticsearch
4.7 分析处理层
4.8 计算系统
4.9 实战演练
4.10 本章小结
第5章 验证码识别
5.1 数据集
5.2 特征提取
5.3 模型训练与验证
5.3.1 K近邻算法
5.3.2 支持向量机算法
5.3.3 深度学习算法之MLP
5.3.4 深度学习算法之CNN
5.4 本章小结
第6章 垃圾邮件识别
6.1 数据集
6.2 特征提取
6.2.1 词袋模型
6.2.2 TF-IDF模型
6.2.3 词汇表模型
6.3 模型训练与验证
6.3.1 朴素贝叶斯算法
6.3.2 支持向量机算法
6.3.3 深度学习算法之MLP
6.3.4 深度学习算法之CNN
6.3.5 深度学习算法之RNN
6.4 本章小结
第7章 负面评论识别
7.1 数据集
7.2 特征提取
7.2.1 词袋和TF-IDF模型
7.2.2 词汇表模型
7.2.3 Word2Vec模型和Doc2Vec模型
7.3 模型训练与验证
7.3.1 朴素贝叶斯算法
7.3.2 支持向量机算法
7.3.3 深度学习算法之MLP
7.3.4 深度学习算法之CNN
7.4 本章小结
第8章 骚扰短信识别
8.1 数据集
8.2 特征提取
8.2.1 词袋和TF-IDF模型
8.2.2 词汇表模型
8.2.3 Word2Vec模型和Doc2Vec模型
8.3 模型训练与验证
8.3.1 朴素贝叶斯算法
8.3.2 支持向量机算法
8.3.3 XGBoost算法
8.3.4 深度学习算法之MLP
8.4 本章小结
第9章 Linux后门检测
9.1 数据集
9.2 特征提取
9.3 模型训练与验证
9.3.1 朴素贝叶斯算法
9.3.2 XGBoost算法
9.3.3 深度学习算法之多层感知机
9.4 本章小结
第10章 用户行为分析与恶意行为检测
10.1 数据集
10.2 特征提取
10.2.1 词袋和TF-IDF模型
10.2.2 词袋和N-Gram模型
10.2.3 词汇表模型
10.3 模型训练与验证
10.3.1 朴素贝叶斯算法
10.3.2 XGBoost算法
10.3.3 隐式马尔可夫算法
10.3.4 深度学习算法之MLP
10.4 本章小结
第11章 WebShell检测
11.1 数据集
11.1.1 WordPress
11.1.2 PHPCMS
11.1.3 phpMyAdmin
11.1.4 Smarty
11.1.5 Yii
11.2 特征提取
11.2.1 词袋和TF-IDF模型
11.2.2 opcode和N-Gram模型
11.2.3 opcode调用序列模型
11.3 模型训练与验证
11.3.1 朴素贝叶斯算法
11.3.2 深度学习算法之MLP
11.3.3 深度学习算法之CNN
11.4 本章小结
第12章 智能扫描器
12.1 自动生成XSS攻击载荷
12.1.1 数据集
12.1.2 特征提取
12.1.3 模型训练与验证
12.2 自动识别登录界面
12.2.1 数据集
12.2.2 特征提取
12.2.3 模型训练与验证
12.3 本章小结
第13章 DGA域名识别
13.1 数据集
13.2 特征提取
13.2.1 N-Gram模型
13.2.2 统计特征模型
13.2.3 字符序列模型
13.3 模型训练与验证
13.3.1 朴素贝叶斯算法
13.3.2 XGBoost算法
13.3.3 深度学习算法之多层感知机
13.3.4 深度学习算法之RNN
13.4 本章小结
第14章 恶意程序分类识别
14.1 数据集
14.2 特征提取
14.3 模型训练与验证
14.3.1 支持向量机算法
14.3.2 XGBoost算法
14.3.3 深度学习算法之多层感知机
14.4 本章小结
第15章 反信用卡欺诈
15.1 数据集
15.2 特征提取
15.2.1 标准化
15.2.2 标准化和降采样
15.2.3 标准化和过采样
15.3 模型训练与验证
15.3.1 朴素贝叶斯算法
15.3.2 XGBoost算法
15.3.3 深度学习算法之多层感知机
15.4 本章小结
Web安全之深度学习实战是2018年由机械工业出版社华章分社出版,作者刘焱。
得书感谢您对《Web安全之深度学习实战》关注和支持，如本书内容有不良信息或侵权等情形的，请联系本网站。
