具体描述
近几年，人工智能无疑成为人们口中的热点话题，先是谷歌的AlphaGo，后有百度的度秘、无人车，微软必应搜索推出的小冰。这一系列人工智能产品的推陈出新，令人眼花缭乱，一时间给人的感觉是人工智能遍地开花。无论人们接受还是不接受，人工智能都在迅速渗透各行各业。网络安全相比之下是一个传统行业，基于规则以及黑白名单的检测技术已经发展到了一定的瓶颈，而利益驱动的黑产团伙，其技术的发展已经远远超乎我们的想象。如何借助人工智能的力量，提升安全行业的整体检测与防护能力，成为各大安全厂商研究的课题。在国内安全行业， BAT以及大量新兴的创业公司先后进入企业安全领域，他们凭借着自身数据搜集、处理、积累以及人工智能方面的优势，正在逐渐改变着整个安全行业。安全产品的形态也从硬件盒子逐步走向混合模式以及云端SaaS服务，安全技术从重防御逐步走向数据分析以及智能驱动。传统安全厂商也凭借其强大的安全人才储备，迅速推进人工智能在安全产品的落地。
我在网络安全这个行业搬了好几年砖，前五年做大型互联网公司的企业安全建设，从准入系统到WAF、SIEM、IPS等，基本都开发或者使用过，最近三年一直负责云安全产品，从抗D、WAF产品到、SIEM、入侵检测等，使用的技术从规则、黑白名单、模型、沙箱再到机器学习，从单机的OSSIM到Hadoop、Storm、Spark、ELK，也算目睹了安全技术或者更准确地说是数据分析处理技术的迅猛发展。我深深感到，使用人工智能技术改变这个行业不是我们的选择，而是必经之路。我在真正意义上接触机器学习是2014年年底，当时带领了一个很小的团队尝试使用机器学习算法解决安全问题，磕磕绊绊一直走到现在，变成几十人的一个产品团队。
本书是我机器学习三部曲的第一部，主要以机器学习常见算法为主线，以生活中的例子和具体安全场景介绍机器学习常见算法，定位为机器学习入门书籍，便于大家可以快速上手。全部代码都能在普通PC上运行。第二部将重点介绍深度学习，并以具体的十个案例介绍机器学习的应用，主要面向具有一定机器学习基础或致力于使用机器学习解决工作中问题的读者，全书的重点集中在问题的解决而不是算法的介绍。由于深度学习通常计算量已经超过了PC的能力，部分代码需要在服务器甚至GPU上运行，不过这不影响大家的阅读与学习。第三部将重点介绍强化学习和对抗网络，并以若干虚构安全产品或者项目介绍如何让机器真正具备AlphaGo级别的智能。
本书的第1章概括介绍了机器学习的发展以及互联网目前的安全形势。第2章介绍了如何打造自己的机器学习工具箱。第3章概括介绍机器学习的基本概念。第4章介绍Web安全的基础知识。第5章到第13章介绍浅层机器学习算法，包括常见的K近邻、决策树、朴素贝叶斯、逻辑回归、支持向量机、K-Means、FP-growth、Apriori、隐式马尔可夫、有向图。第14章到第17章介绍神经网络以及深度学习中常用的递归神经网络和卷积神经网络。每章都会以生活中的例子开头，让读者有一个感性的认识，然后简短介绍基础知识，最后以安全领域的2~3个例子讲解如何使用该算法解决问题。全书定位是能让更多的安全爱好者以及信息安全从业者了解机器学习，动手使用简单的机器学习算法解决实际问题。在写作中尽量避免生硬的说教，能用文字描述的尽量不用冷冰冰的公式，能用图和代码说明的尽量不用多余的文字。正如霍金所言“多写1个公式，少一半读者”，希望反之亦然。
机器学习应用于安全领域遇到的最大问题就是缺乏大量的黑样本，即所谓的攻击样本，尤其相对于大量的正常业务访问，攻击行为尤其是成功的攻击行为是非常少的，这就给机器学习带来了很大挑战。本书很少对不同算法进行横向比较，也是因为确实在不同场景下不同算法表现差别很大，很难说深度学习就一定比朴素贝叶斯好，也很难说支持向量机就比不过卷积神经网络，拿某个具体场景进行横向比较意义不大，毕竟选择算法不像购买SUV，可以拿几十个参数评头论足，最后还是需要大家结合实际问题去选择。
这里我要感谢我的家人对我的支持，本来工作就很忙，没有太多时间处理家务，写书以后更是花费了我大量的休息时间，我的妻子无条件承担起了全部家务，尤其是照料孩子等繁杂事务。我很感谢我的女儿，写书这段时间几乎没有时间陪她玩，她也很懂事地自己玩，我想用这本书作为她的生日礼物送给她。我还要感谢吴怡编辑对我的支持和鼓励，让我可以坚持把这本书写完。最后还要感谢各位业内好友尤其是我boss对我的支持，排名不分先后：马杰@百度安全、冯景辉@百度安全、林晓东@百度基础架构、黄颖@百度IT、李振宇@百度AI、Lenx@百度安全、黄正@百度安全、程岩@百度云、郝轶@百度云、云鹏@百度无人车、赵林林@微步在线、张宇平@数盟、谢忱@Freebuf、李新@Freebuf、李琦@清华、徐恪@清华、王宇@蚂蚁金服、王珉然@蚂蚁金服、王龙@蚂蚁金服、周涛@启明星辰、姚志武@借贷宝、刘静@安天、刘袁君@医渡云、廖威@易宝支付、尹毅@sobug、宋文宽@联想、团长@宜人贷、齐鲁@搜狐安全、吴圣@58安全、康宇@新浪安全、幻泉@i春秋、雅驰@i春秋、王庆双@i春秋、张亚同@i春秋、王禾@微软、李臻@paloalto、西瓜@四叶草、郑伟@四叶草、朱利军@四叶草、土夫子@XSRC、英雄马@乐视云、sbilly@360、侯曼@360、高磊@滴滴、高磊@爱加密、高渐离@华为、刘洪善@华为云、宋柏林@一亩田、张昊@一亩田、张开@安恒、李硕@智联、阿杜@优信拍、李斌@房多多、李程@搜狗、Tony@京东安全、简单@京东安全、姚聪@face+、李鸣雷@金山云，最后我还要感谢我的亲密战友陈燕、康亮亮、蔡奇、哲超、新宇、子奇、月升、王磊、碳基体、刘璇、钱华钩、刘超、王胄、吴梅、冯侦探、冯永校。
本书面向信息安全从业人员、高等院校计算机相关专业学生以及信息安全爱好者，机器学习爱好者，对于想了解人工智能的CTO、运维总监、架构师同样也是一本不错的科普书籍。当读者在工作学习中遇到问题时可以想起本书中提到的一两种算法，那么我觉得就达到效果了，如果可以让读者像使用printf一样使用SVM、朴素贝叶斯等算法，那么这本书就相当成功了。
我平时在FreeBuf专栏以及i春秋分享企业安全建设以及人工智能相关经验与最新话题，同时也运营我的微信公众号“兜哥带你学安全”，欢迎大家关注并在线交流。
本书使用的代码和数据均在GitHub上发布，地址为：https://github.com/duoergun0729/1book，代码层面任何疑问可以在GitHub上直接反馈。
作者简介
目录信息
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
参考资源 86
第6章 决策树与随机森林算法 87
6.1 决策树算法概述 87
6.2 示例：hello world！决策树 88
6.3 示例：使用决策树算法检测POP3暴力破解 89
6.4 示例：使用决策树算法检测FTP暴力破解 91
6.5 随机森林算法概述 93
6.6 示例：hello world！随机森林 93
6.7 示例：使用随机森林算法检测FTP暴力破解 95
6.8 本章小结 96
参考资源 96
第7章 朴素贝叶斯算法 97
7.1 朴素贝叶斯算法概述 97
7.2 示例：hello world！朴素贝叶斯 98
7.3 示例：检测异常操作 99
7.4 示例：检测WebShell（一） 100
7.5 示例：检测WebShell（二） 102
7.6 示例：检测DGA域名 103
7.7 示例：检测针对Apache的DDoS攻击 104
7.8 示例：识别验证码 107
7.9 本章小结 108
参考资源 108
第8章 逻辑回归算法 109
8.1 逻辑回归算法概述 109
8.2 示例：hello world！逻辑回归 110
8.3 示例：使用逻辑回归算法检测Java溢出攻击 111
8.4 示例：识别验证码 113
8.5 本章小结 114
参考资源 114
第9章 支持向量机算法 115
9.1 支持向量机算法概述 115
9.2 示例：hello world！支持向量机 118
9.3 示例：使用支持向量机算法识别XSS 120
9.4 示例：使用支持向量机算法区分僵尸网络DGA家族 124
9.4.1 数据搜集和数据清洗 124
9.4.2 特征化 125
9.4.3 模型验证 129
9.5 本章小结 130
参考资源 130
第10章 K-Means与DBSCAN算法 131
10.1 K-Means算法概述 131
10.2 示例：hello world！K-Means 132
10.3 示例：使用K-Means算法检测DGA域名 133
10.4 DBSCAN算法概述 135
10.5 示例：hello world！DBSCAN 135
10.6 本章小结 137
参考资源 137
第11章 Apriori与FP-growth算法 138
11.1 Apriori算法概述 138
11.2 示例：hello world！Apriori 140
11.3 示例：使用Apriori算法挖掘XSS相关参数 141
11.4 FP-growth算法概述 143
11.5 示例：hello world！FP-growth 144
11.6 示例：使用FP-growth算法挖掘疑似僵尸主机 145
11.7 本章小结 146
参考资源 146
第12章 隐式马尔可夫算法 147
12.1 隐式马尔可夫算法概述 147
12.2 hello world! 隐式马尔可夫 148
12.3 示例：使用隐式马尔可夫算法识别XSS攻击（一） 150
12.4 示例：使用隐式马尔可夫算法识别XSS攻击（二） 153
12.5 示例：使用隐式马尔可夫算法识别DGA域名 159
12.6 本章小结 162
参考资源 162
第13章 图算法与知识图谱 163
13.1 图算法概述 163
13.2 示例：hello world！有向图 164
13.3 示例：使用有向图识别WebShell 169
13.4 示例：使用有向图识别僵尸网络 173
13.5 知识图谱概述 176
13.6 示例：知识图谱在风控领域的应用 177
13.6.1 检测疑似账号被盗 178
13.6.2 检测疑似撞库攻击 179
13.6.3 检测疑似刷单 181
13.7 示例：知识图谱在威胁情报领域的应用 183
13.7.1 挖掘后门文件潜在联系 184
13.7.2 挖掘域名潜在联系 185
13.8 本章小结 187
参考资源 187
第14章 神经网络算法 188
14.1 神经网络算法概述 188
14.2 示例：hello world！神经网络 190
14.3 示例：使用神经网络算法识别验证码 190
14.4 示例：使用神经网络算法检测Java溢出攻击 191
14.5 本章小结 193
参考资源 194
第15章 多层感知机与DNN算法 195
15.1 神经网络与深度学习 195
15.2 TensorFlow编程模型 196
15.2.1 操作 197
15.2.2 张量 197
15.2.3 变量 198
15.2.4 会话 198
15.3 TensorFlow的运行模式 198
15.4 示例：在TensorFlow下识别验证码（一） 199
15.5 示例：在TensorFlow下识别验证码（二） 202
15.6 示例：在TensorFlow下识别验证码（三） 205
15.7 示例：在TensorFlow下识别垃圾邮件（一） 207
15.8 示例：在TensorFlow下识别垃圾邮件（二） 209
15.9 本章小结 210
参考资源 210
第16章 循环神经网络算法 212
16.1 循环神经网络算法概述 212
16.2 示例：识别验证码 213
16.3 示例：识别恶意评论 216
16.4 示例：生成城市名称 220
16.5 示例：识别WebShell 222
16.6 示例：生成常用密码 225
16.7 示例：识别异常操作 227
16.8 本章小结 230
参考资源 230
第17章 卷积神经网络算法 231
17.1 卷积神经网络算法概述 231
17.2 示例：hello world！卷积神经网络 234
17.3 示例：识别恶意评论 235
17.4 示例：识别垃圾邮件 237
17.5 本章小结 240
参考资源 242
· · · · · · (收起)
读后感
兜哥在安全圈大名鼎鼎，早有耳闻，看到这本书，赞誉部分，互联网小半个圈子的安全负责人不吝誉美之词，虽然不知道是否真正读过。不过，作为可以上手练习的实操人工智能机器学习算法的入门指南，本书还是值得推荐。 基于特征和签名的传统扫描和识别算法，对未知威胁的无能为力，...
评分兜哥在安全圈大名鼎鼎，早有耳闻，看到这本书，赞誉部分，互联网小半个圈子的安全负责人不吝誉美之词，虽然不知道是否真正读过。不过，作为可以上手练习的实操人工智能机器学习算法的入门指南，本书还是值得推荐。 基于特征和签名的传统扫描和识别算法，对未知威胁的无能为力，...
评分兜哥在安全圈大名鼎鼎，早有耳闻，看到这本书，赞誉部分，互联网小半个圈子的安全负责人不吝誉美之词，虽然不知道是否真正读过。不过，作为可以上手练习的实操人工智能机器学习算法的入门指南，本书还是值得推荐。 基于特征和签名的传统扫描和识别算法，对未知威胁的无能为力，...
评分兜哥在安全圈大名鼎鼎，早有耳闻，看到这本书，赞誉部分，互联网小半个圈子的安全负责人不吝誉美之词，虽然不知道是否真正读过。不过，作为可以上手练习的实操人工智能机器学习算法的入门指南，本书还是值得推荐。 基于特征和签名的传统扫描和识别算法，对未知威胁的无能为力，...
评分兜哥在安全圈大名鼎鼎，早有耳闻，看到这本书，赞誉部分，互联网小半个圈子的安全负责人不吝誉美之词，虽然不知道是否真正读过。不过，作为可以上手练习的实操人工智能机器学习算法的入门指南，本书还是值得推荐。 基于特征和签名的传统扫描和识别算法，对未知威胁的无能为力，...
用户评价
坦率地说，我对市面上很多打着“机器学习”旗号的书籍都持保留态度，它们往往为了追求时髦而堆砌大量热门名词，内容空泛，对实际问题解决毫无助益。然而，《Web安全之机器学习入门》却呈现出一种务实的风格。它避开了那些过于前沿、尚不成熟的黑箱模型，而是将精力放在了那些已经被验证过、在安全领域具有高稳定性的经典算法上——比如决策树、随机森林以及基础的神经网络结构。书中对特征工程的讨论，堪称精髓。安全数据往往是稀疏、高维且噪声极大的，作者详细列举了如何从HTTP请求头、POST体、日志记录中提取出有效、低秩的特征向量，这对于刚接触安全数据挖掘的人来说，是无价之宝。我尝试用书中提到的几种特征组合方法，在我们的内部渗透测试报告数据上进行小规模的验证，结果表明，相比于我过去盲目堆砌特征的做法，这种有针对性的特征构建极大地提升了模型的稳定性和性能。这本书的价值在于它的“接地气”，它不追求高大上的模型，而是追求在特定安全约束下，用最可靠的技术手段解决最实际的问题。
评分作为一名资深的安全咨询顾问，我接触了大量不同技术背景的团队，我发现最大的瓶颈往往不在于技术本身，而在于跨领域的沟通障碍。这本书在打破“安全”和“数据科学”之间的壁垒方面做得尤为出色。它的结构设计非常巧妙，前半部分用清晰的图表和流程图解释了数据驱动的安全分析框架，后半部分则聚焦于如何将这个框架应用到实际的Web攻击检测流程中。我尤其赞赏作者在数据隐私和模型可解释性方面所占的篇幅。在企业环境中，我们不仅要关心模型是否有效，更要关心它为什么做出某个判断，以及我们如何保护用户数据在训练过程中的安全。书中对LIME和SHAP等模型解释性工具的提及和简要介绍，虽然篇幅不长，但为我们进行合规性审查和故障排查提供了重要的方向。这本书没有沉溺于展示如何写出最复杂的深度学习网络，而是强调了构建一个健壮、可维护、可解释的安全AI系统的必要性。它更像是一份为安全团队领导者和架构师准备的蓝图，指导我们如何系统地规划安全智能化的转型路径。
评分这本《Web安全之机器学习入门》读完后，我的感受可以用“意犹未尽”来形容。作为一名长期从事传统安全测试的工程师，我深知在应对日益复杂的网络攻击时，传统手段已经捉襟见肘。因此，我非常期待这本书能为我打开一扇通往“智能安全”的大门。书中对机器学习基础概念的介绍相当扎实，作者从最基本的模型选择、数据预处理讲起，逐步深入到特征工程的构建。尤其是在讲解如何将安全领域的特定场景，比如恶意流量识别或漏洞检测，转化为机器学习可以处理的数据集时，讲解得非常细致和贴合实际。我特别欣赏作者没有停留在理论层面，而是提供了很多实战案例的思路。比如，他们如何处理标注不均衡的安全数据，这是一个在实际工作中经常遇到的难题。作者提出的几种采样和重采样方法，给了我很多启发。虽然书中没有直接给出针对某个特定Web漏洞的完整机器学习解决方案，但它提供的“武器库”——那些算法和思维方式——却是通用的，足以让我回去后能根据手头的工作场景进行定制化开发。总的来说，这本书更像是一本高质量的“方法论指南”，而不是一本“工具箱手册”，它教会了我如何用新思维去思考安全问题，而不是简单地告诉我“用这个模型就能解决那个问题”。对于希望从传统安全向智能安全转型的技术人员来说，这本书是极好的入门砖。
评分阅读完《Web安全之机器学习入门》后，我的主要感受是它为我提供了一种“安全防御的新范式”。过去，我们总是在被动地打补丁，等待新的CVE出现。这本书让我看到了如何构建一个能自我学习和进化的防御体系。书中对对抗性攻击（Adversarial Attacks）的介绍让我印象深刻，它不仅指出了机器学习在安全应用中可能遇到的陷阱，还提供了防御这些“智能”攻击的思路。例如，如何通过数据增强和对抗性训练来加固我们的分类器，使其不容易被精心构造的恶意输入所欺骗。虽然我对某些复杂的数学证明部分略感吃力，但我可以跳过那些细节，直接吸收其在安全策略制定上的指导意义。这本书成功地将“防御”的理念从静态规则扩展到了动态的、基于概率的决策制定上。它不仅仅是教你如何建立一个检测器，更是教你如何思考一个能抵御持续演进的攻击者的智能安全系统该如何设计和维护。对于希望构建下一代安全运营中心（SOC）的架构师来说，这本书的战略性见解远超一本纯粹的技术手册的价值。
评分我以一个大学计算机专业应届毕业生的视角来看待这本《Web安全之机器学习入门》，坦白说，它的内容深度远超我的预期。我原本以为这会是一本晦涩难懂的教科书，充斥着高深的数学公式和难以理解的理论推导。然而，作者的叙事方式非常平易近人。特别是关于监督学习与无监督学习在安全场景下的应用对比部分，作者通过生动的比喻，将复杂的概念具象化了。我印象最深的是，书中提到如何利用异常检测（一种无监督学习）来发现“零日”攻击的早期迹象，这简直是太酷了！我们课堂上学到的很多机器学习理论知识，在这里找到了一个极其有价值的落地场景。虽然书的侧重点在于“入门”，但它对不同算法的性能评估标准和局限性分析得相当透彻。例如，在讨论如何平衡模型的召回率和误报率时，作者深入探讨了混淆矩阵的实际意义，并建议了在不同风险等级下应如何调整阈值。这本书没有让我感到压力山大，反而激发了我对这个交叉领域更强烈的探索欲望。它成功地搭建了一座连接理论与Web安全实践的坚实桥梁，让我对未来投身于更前沿的安全研发工作充满了信心。
评分瞅了一眼目录
评分师父领进门修行在个人，兜哥已经尽力了，要把这些东西消化吸收，应用在自己学习工作中，要下一番苦工，这本书就像书名额，入门，要深入，还是需要看其他的书和开源的机器学习框架。
评分内容很简略，有基础后翻翻就好
评分侵权洗稿请先道歉
评分很多东西说的太简单了，需要自己去查更多的知识点。书里的代码并没有过多的解释这样写的原因
相关图书
本站所有内容均为互联网搜索引擎提供的公开搜索信息，本站不存储任何数据与内容，任何内容与数据均与本站无关，如有需要请联系相关搜索引擎包括但不限于百度，google,bing,sogou 等
© 2026 book.quotespace.org All Rights Reserved. 小美书屋 版权所有