Web安全之深度學習實戰 pdf epub mobi txt 電子書 下載2025

想要找書就要到 小美書屋

立刻按 ctrl+D收藏本頁

你會得到大驚喜!!

在現今的互聯網公司中，産品綫綿延復雜，安全防禦體係無時無刻不在應對新的挑戰。哪怕是擁有豐富工作經驗的安全從業者，在麵對層齣不窮的攻擊手段和海量日誌數據時也會望洋興嘆。機器學習、深度學習是這些問題天然契閤的解決方案，在數據量以指數級不斷增長的未來，甚至有可能是唯一的齣路。當AI遇到安全時，如何快速進化，本書給齣瞭實戰方案。 　　本書是《Web安全之機器學習入門》之後又一作品。本書首先介紹如何打造自己的深度學習工具箱，包括TensorFlow、TFLearn等深度學習庫的安裝以及使用方法。接著介紹捲積神經網絡和循環神經網絡這兩大深度學習算法的基礎知識。特彆著重介紹在生産環境搭建深度學習平颱需要使用的開源組件，包括Logstash、Kafka、Storm、Spark等。隨後講解瞭11個使用機器學習技術解決實際安全問題的案例，包括驗證碼識彆、垃圾郵件識彆、負麵評論識彆、騷擾短信識彆、Linux後門檢測、惡意操作行為檢測、Webshell檢測、智能掃描、DGA域名檢測、惡意程序分類識彆、反信用卡欺詐。本書針對每一個算法都給齣瞭具體案例，理論結閤實際，講解清晰，文筆幽默，適閤有信息安全基礎知識的網絡開發與運維技術人員參考，主要內容包括：

- 如何基於TensorFlow和TFLearn打造自己的深度學習工具箱。

- 如何基於Logstash、Kafka、Storm、Spark等打造深度學習的生産環境。

- 如何在MNIST數據集上實現驗證碼識彆。

- 如何在安然數據集上實現垃圾郵件檢測。

- 如何在IMDB數據集上實現負麵評論識彆。

- 如何在SMSSpamCollection數據集上實現騷擾短信識彆。

- 如何在ADFA-LD數據集上實現Linux後門檢測。

- 如何在SEA數據集上實現惡意操作行為檢測。

- 如何在MIST數據集上實現惡意程序分類識彆。

- 如何在Kaggle公開的數據集上實現信用卡欺詐檢測。

- 如何在GitHub公開的數據集上實現Webshell檢測，智能掃描和DGA域名檢測。

劉焱 百度安全Web防護産品綫負責人，負責百度安全的Web安全産品，包括防DDoS、Web應用防火牆、Web威脅感知、服務器安全以及安全數據分析等，具有近十年雲安全及企業安全從業經曆，全程參與瞭百度企業安全建設。研究興趣包括機器學習、Web安全、僵屍網絡、威脅情報等。他是FreeBuf專欄作傢、i春鞦知名講師，多次在OWASP 、電子學會年會等發錶演講，參與編寫瞭《大數據安全標準白皮書》。他還建立瞭微信公眾號“兜哥帶你學安全”，分享瞭大量信息安全技術知識。AI+安全暢銷書《Web安全之機器學習》的作者。

對本書的贊譽
序
前言
第1章　打造深度學習工具箱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9
第2章　捲積神經網絡10
2.1　傳統的圖像分類算法10
2.2　基於CNN的圖像分類算法11
2.2.1　局部連接11
2.2.2　參數共享13
2.2.3　池化15
2.2.4　典型的CNN結構及實現16
2.2.5　AlexNet的結構及實現19
2.2.6　VGG的結構及實現24
2.3　基於CNN的文本處理29
2.3.1　典型的CNN結構30
2.3.2　典型的CNN代碼實現30
2.4　本章小結32
第3章　循環神經網絡33
3.1　循環神經算法概述34
3.2　單嚮循環神經網絡結構與實現36
3.3　雙嚮循環神經網絡結構與實現38
3.4　循環神經網絡在序列分類的應用41
3.5　循環神經網絡在序列生成的應用42
3.6　循環神經網絡在序列標記的應用43
3.7　循環神經網絡在序列翻譯的應用44
3.8　本章小結46
第4章　基於OpenSOC的機器學習框架47
4.1　OpenSOC框架47
4.2　數據源係統48
4.3　數據收集層53
4.4　消息係統層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　計算係統67
4.9　實戰演練72
4.10　本章小結77
第5章　驗證碼識彆78
5.1　數據集79
5.2　特徵提取80
5.3　模型訓練與驗證81
5.3.1　K近鄰算法81
5.3.2　支持嚮量機算法81
5.3.3　深度學習算法之MLP82
5.3.4　深度學習算法之CNN83
5.4　本章小結87
第6章　垃圾郵件識彆88
6.1　數據集89
6.2　特徵提取90
6.2.1　詞袋模型90
6.2.2　TF-IDF模型93
6.2.3　詞匯錶模型95
6.3　模型訓練與驗證97
6.3.1　樸素貝葉斯算法97
6.3.2　支持嚮量機算法100
6.3.3　深度學習算法之MLP101
6.3.4　深度學習算法之CNN102
6.3.5　深度學習算法之RNN106
6.4　本章小結108
第7章　負麵評論識彆109
7.1　數據集110
7.2　特徵提取112
7.2.1　詞袋和TF-IDF模型112
7.2.2　詞匯錶模型114
7.2.3　Word2Vec模型和Doc2Vec模型115
7.3　模型訓練與驗證119
7.3.1　樸素貝葉斯算法119
7.3.2　支持嚮量機算法122
7.3.3　深度學習算法之MLP123
7.3.4　深度學習算法之CNN124
7.4　本章小結127
第8章　騷擾短信識彆128
8.1　數據集129
8.2　特徵提取130
8.2.1　詞袋和TF-IDF模型130
8.2.2　詞匯錶模型131
8.2.3　Word2Vec模型和Doc2Vec模型132
8.3　模型訓練與驗證134
8.3.1　樸素貝葉斯算法134
8.3.2　支持嚮量機算法136
8.3.3　XGBoost算法137
8.3.4　深度學習算法之MLP140
8.4　本章小結141
第9章　Linux後門檢測142
9.1　數據集142
9.2　特徵提取144
9.3　模型訓練與驗證145
9.3.1　樸素貝葉斯算法145
9.3.2　XGBoost算法146
9.3.3　深度學習算法之多層感知機148
9.4　本章小結149
第10章　用戶行為分析與惡意行為檢測150
10.1　數據集151
10.2　特徵提取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　詞匯錶模型155
10.3　模型訓練與驗證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　深度學習算法之MLP164
10.4　本章小結166
第11章　WebShell檢測167
11.1　數據集168
11.1.1　WordPress168
11.1.2　PHPCMS170
11.1.3　phpMyAdmin170
11.1.4　Smarty171
11.1.5　Yii171
11.2　特徵提取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調用序列模型180
11.3　模型訓練與驗證181
11.3.1　樸素貝葉斯算法181
11.3.2　深度學習算法之MLP182
11.3.3　深度學習算法之CNN184
11.4　本章小結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　數據集190
12.1.2　特徵提取194
12.1.3　模型訓練與驗證195
12.2　自動識彆登錄界麵198
12.2.1　數據集198
12.2.2　特徵提取199
12.2.3　模型訓練與驗證201
12.3　本章小結203
第13章　DGA域名識彆204
13.1　數據集206
13.2　特徵提取207
13.2.1　N-Gram模型207
13.2.2　統計特徵模型208
13.2.3　字符序列模型210
13.3　模型訓練與驗證210
13.3.1　樸素貝葉斯算法210
13.3.2　XGBoost算法212
13.3.3　深度學習算法之多層感知機215
13.3.4　深度學習算法之RNN218
13.4　本章小結221
第14章　惡意程序分類識彆222
14.1　數據集223
14.2　特徵提取226
14.3　模型訓練與驗證228
14.3.1　支持嚮量機算法228
14.3.2　XGBoost算法229
14.3.3　深度學習算法之多層感知機230
14.4　本章小結231
第15章　反信用卡欺詐232
15.1　數據集232
15.2　特徵提取234
15.2.1　標準化234
15.2.2　標準化和降采樣234
15.2.3　標準化和過采樣236
15.3　模型訓練與驗證239
15.3.1　樸素貝葉斯算法239
15.3.2　XGBoost算法243
15.3.3　深度學習算法之多層感知機247
15.4　本章小結251
· · · · · · (收起)