Web安全之机器学习入门 PDF下载

编辑推荐

人工智能在信息安全领域的应用

内容简介

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。

作者简介

刘焱百度安全技术经理，Web防护产品线负责人。全程参与了百度企业安全建设，负责百度安全对外的Web安全产品，包括防DDoS、Web应用防火墙、Web威胁感知、服务器安全防护产品等。研究兴趣包括机器学习、Web安全、僵尸网络、威胁情报等。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。

Web安全之机器学习入门 PDF下载

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
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  17