Web安全之機器學習入門 ( 簡體 字) |
| 作者：作者：劉焱 編著 | 類別：1. -> 安全 -> 網路安全 -> 網路防範、防火牆
2. -> 程式設計 -> 機器學習 |
| 譯者： |
| 出版社：機械工業出版社 |  3dWoo書號： 47438
詢問書籍請說出此書號！【缺書】
NT售價： 395 元 |
| 出版日：8/1/2017 |
| 頁數：237 |
| 光碟數：0 |
|
站長推薦：   |
| 印刷：黑白印刷 | 語系： ( 簡體 版 ) |
| |
加入購物車  │加到我的最愛
(請先登入會員) |
| ISBN：9787111576426 |
| 作者序 | 譯者序 | 前言 | 內容簡介 | 目錄 | 序 |
| (簡體書上所述之下載連結耗時費功, 恕不適用在台灣, 若讀者需要請自行嘗試, 恕不保證) |
| 作者序： |
| 譯者序： |
前言：近幾年，人工智能無疑成為人們口中的熱點話題，先是谷歌的AlphaGo，后有百度的度秘、無人車，微軟必應搜索推出的小冰。這一系列人工智能產品的推陳出新，令人眼花繚亂，一時間給人的感覺是人工智能遍地開花。無論人們接受還是不接受，人工智能都在迅速滲透各行各業。網絡安全相比之下是一個傳統行業，基于規則以及黑白名單的檢測技術已經發展到了一定的瓶頸，而利益驅動的黑產團伙，其技術的發展已經遠遠超乎我們的想象。如何借助人工智能的力量，提升安全行業的整體檢測與防護能力，成為各大安全廠商研究的課題。在國內安全行業， BAT以及大量新興的創業公司先后進入企業安全領域，他們憑借著自身數據搜集、處理、積累以及人工智能方面的優勢，正在逐漸改變著整個安全行業。安全產品的形態也從硬件盒子逐步走向混合模式以及云端SaaS服務，安全技術從重防御逐步走向數據分析以及智能驅動。傳統安全廠商也憑借其強大的安全人才儲備，迅速推進人工智能在安全產品的落地。
我在網絡安全這個行業搬了好幾年磚，前五年做大型互聯網公司的企業安全建設，從準入系統到WAF、SIEM、IPS等，基本都開發或者使用過，最近三年一直負責云安全產品，從抗D、WAF產品到、SIEM、入侵檢測等，使用的技術從規則、黑白名單、模型、沙箱再到機器學習，從單機的OSSIM到Hadoop、Storm、Spark、ELK，也算目睹了安全技術或者更準確地說是數據分析處理技術的迅猛發展。我深深感到，使用人工智能技術改變這個行業不是我們的選擇，而是必經之路。我在真正意義上接觸機器學習是2014年年底，當時帶領了一個很小的團隊嘗試使用機器學習算法解決安全問題，磕磕絆絆一直走到現在，變成幾十人的一個產品團隊。
本書是我機器學習三部曲的第一部，主要以機器學習常見算法為主線，以生活中的例子和具體安全場景介紹機器學習常見算法，定位為機器學習入門書籍，便于大家可以快速上手。全部代碼都能在普通PC上運行。第二部將重點介紹深度學習，并以具體的十個案例介紹機器學習的應用，主要面向具有一定機器學習基礎或致力于使用機器學習解決工作中問題的讀者，全書的重點集中在問題的解決而不是算法的介紹。由于深度學習通常計算量已經超過了PC的能力，部分代碼需要在服務器甚至GPU上運行，不過這不影響大家的閱讀與學習。第三部將重點介紹強化學習和對抗網絡，并以若干虛構安全產品或者項目介紹如何讓機器真正具備AlphaGo級別的智能。
本書的第1章概括介紹了機器學習的發展以及互聯網目前的安全形勢。第2章介紹了如何打造自己的機器學習工具箱。第3章概括介紹機器學習的基本概念。第4章介紹Web安全的基礎知識。第5章到第13章介紹淺層機器學習算法，包括常見的K近鄰、決策樹、樸素貝葉斯、邏輯回歸、支持向量機、K-Means、FP-growth、Apriori、隱式馬爾可夫、有向圖。第14章到第17章介紹神經網絡以及深度學習中常用的遞歸神經網絡和卷積神經網絡。每章都會以生活中的例子開頭，讓讀者有一個感性的認識，然后簡短介紹基礎知識，最后以安全領域的2~3個例子講解如何使用該算法解決問題。全書定位是能讓更多的安全愛好者以及信息安全從業者了解機器學習，動手使用簡單的機器學習算法解決實際問題。在寫作中盡量避免生硬的說教，能用文字描述的盡量不用冷冰冰的公式，能用圖和代碼說明的盡量不用多余的文字。正如霍金所言“多寫1個公式，少一半讀者”，希望反之亦然。
機器學習應用于安全領域遇到的最大問題就是缺乏大量的黑樣本，即所謂的攻擊樣本，尤其相對于大量的正常業務訪問，攻擊行為尤其是成功的攻擊行為是非常少的，這就給機器學習帶來了很大挑戰。本書很少對不同算法進行橫向比較，也是因為確實在不同場景下不同算法表現差別很大，很難說深度學習就一定比樸素貝葉斯好，也很難說支持向量機就比不過卷積神經網絡，拿某個具體場景進行橫向比較意義不大，畢竟選擇算法不像購買SUV，可以拿幾十個參數評頭論足，最后還是需要大家結合實際問題去選擇。
這里我要感謝我的家人對我的支持，本來工作就很忙，沒有太多時間處理家務，寫書以后更是花費了我大量的休息時間，我的妻子無條件承擔起了全部家務，尤其是照料孩子等繁雜事務。我很感謝我的女兒，寫書這段時間幾乎沒有時間陪她玩，她也很懂事地自己玩，我想用這本書作為她的生日禮物送給她。我還要感謝吳怡編輯對我的支持和鼓勵，讓我可以堅持把這本書寫完。最后還要感謝各位業內好友尤其是我boss對我的支持，排名不分先后：馬杰@百度安全、馮景輝@百度安全、林曉東@百度基礎架構、黃穎@百度IT、李振宇@百度AI、Lenx@百度安全、黃正@百度安全、程巖@百度云、郝軼@百度云、云鵬@百度無人車、趙林林@微步在線、張宇平@數盟、謝忱@Freebuf、李新@Freebuf、李琦@清華、徐恪@清華、王宇@螞蟻金服、王?然@螞蟻金服、王龍@螞蟻金服、周濤@啟明星辰、姚志武@借貸寶、劉靜@安天、劉袁君@醫渡云、廖威@易寶支付、尹毅@sobug、宋文寬@聯想、團長@宜人貸、齊魯@搜狐安全、吳圣@58安全、康宇@新浪安全、幻泉@i春秋、雅馳@i春秋、王慶雙@i春秋、張亞同@i春秋、王禾@微軟、李臻@paloalto、西瓜@四葉草、鄭偉@四葉草、朱利軍@四葉草、土夫子@XSRC、英雄馬@樂視云、sbilly@360、侯曼@360、高磊@滴滴、高磊@愛加密、高漸離@華為、劉洪善@華為云、宋柏林@一畝田、張昊@一畝田、張開@安恒、李碩@智聯、阿杜@優信拍、李斌@房多多、李程@搜狗、Tony@京東安全、簡單@京東安全、姚聰@face+、李鳴雷@金山云，最后我還要感謝我的親密戰友陳燕、康亮亮、蔡奇、哲超、新宇、子奇、月升、王磊、碳基體、劉璇、錢華鉤、劉超、王胄、吳梅、馮偵探、馮永校。
本書面向信息安全從業人員、高等院校計算機相關專業學生以及信息安全愛好者，機器學習愛好者，對于想了解人工智能的CTO、運維總監、架構師同樣也是一本不錯的科普書籍。當讀者在工作學習中遇到問題時可以想起本書中提到的一兩種算法，那么我覺得就達到效果了，如果可以讓讀者像使用printf一樣使用SVM、樸素貝葉斯等算法，那么這本書就相當成功了。
我平時在FreeBuf專欄以及i春秋分享企業安全建設以及人工智能相關經驗與最新話題，同時也運營我的微信公眾號“兜哥帶你學安全”，歡迎大家關注并在線交流。
本書使用的代碼和數據均在GitHub上發布，，代碼層面任何疑問可以在GitHub上直接反饋。 |
內容簡介：本書從機器學習的基本概念入手，展示了在錯綜復雜的Web安全中如何智能化地掌控信息安全。機器學習算法豐富多彩，在形形色色的應用場景中有著各自獨特的價值，只有熟悉并用好這些算法，才能在安全領域的實戰中游刃有余。本書作者在安全領域有多年的研發經驗，對數據驅動的安全檢測技術有豐富的經驗，他在書中用風趣幽默的語言詮釋了超過15種的機器學習算法，收集整理了大量或知名、或在真實環境下出現過的案例，并一一給出了使用機器學習算法進行分析的方法。書中還包含了豐富的數據集以及大量的實例，能幫助讀者降低學習成本，快速進入技術實踐中。
主要內容包括：
如何使用K近鄰算法檢測Linux下的Rootkit和WebShell。
如何使用知識圖譜檢測賬戶被盜、撞庫以及簡單的刷單。
如何使用支持向量機檢測XSS攻擊。
如何使用隱式馬爾可夫算法區分不同僵尸網絡家族。
如何使用卷積神經網絡檢測垃圾郵件和惡意評論。
如何使用循環神經網絡檢測員工違規操作。
內容簡介
在現今的互聯網公司中，產品線綿延復雜，安全防御體系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，在面對層出不窮的攻擊手段和海量的日志數據時也會望洋興嘆。機器學習是這些問題天然契合的解決方案，在數據量以指數級不斷增長的未來，甚至有可能是唯一的出路。
本書首先介紹主流的機器學習工具，以及Python應用于機器學習的優勢，并介紹Scikit-Learn環境搭建、TensorFlow環境搭建。接著介紹機器學習的基本概念和Web安全基礎知識。然后深入講解多個機器學習算法在Web安全領域的實際應用，如K近鄰、決策樹、樸素貝葉斯、邏輯回歸、支持向量機、K-Means算法、FP-growth、隱式馬爾可夫、有向圖、神經網絡等，最后介紹深度學習算法CNN、RNN。本書針對每一個算法都給出了具體案例，理論結合實際，深入淺出，講解清晰，適合有信息安全基礎知識的網絡開發 |
目錄：對本書的贊譽
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、機器學習與深度學習 1
1.2 人工智能的發展 2
1.3 國內外網絡安全形勢 3
1.4 人工智能在安全領域的應用 5
1.5 算法和數據的辯證關系 9
1.6 本章小結 9
參考資源 10
第2章 打造機器學習工具箱 11
2.1 Python在機器學習領域的優勢 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簡介與環境搭建 18
2.3 本章小結 19
參考資源 20
第3章 機器學習概述 21
3.1 機器學習基本概念 21
3.2 數據集 22
3.2.1 KDD 99數據 22
3.2.2 HTTP DATASET CSIC 2010 26
3.2.3 SEA數據集 26
3.2.4 ADFA-LD數據集 27
3.2.5 Alexa域名數據 29
3.2.6 Scikit-Learn數據集 29
3.2.7 MNIST數據集 30
3.2.8 Movie Review Data 31
3.2.9 SpamBase數據集 32
3.2.10 Enron數據集 33
3.3 特征提取 35
3.3.1 數字型特征提取 35
3.3.2 文本型特征提取 36
3.3.3 數據讀取 37
3.4 效果驗證 38
3.5 本章小結 40
參考資源 40
第4章 Web安全基礎 41
4.1 XSS攻擊概述 41
4.1.1 XSS的分類 43
4.1.2 XSS特殊攻擊方式 48
4.1.3 XSS平臺簡介 50
4.1.4 近年典型XSS攻擊事件分析 51
4.2 SQL注入概述 53
4.2.1 常見SQL注入攻擊 54
4.2.2 常見SQL注入攻擊載荷 55
4.2.3 SQL常見工具 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 常見WebShell 64
4.4 僵尸網絡概述 67
4.4.1 僵尸網絡的危害 68
4.4.2 近年典型僵尸網絡攻擊事件分析 69
4.5 本章小結 72
參考資源 72
第5章 K近鄰算法 74
5.1 K近鄰算法概述 74
5.2 示例：hello world！K近鄰 75
5.3 示例：使用K近鄰算法檢測異常操作（一） 76
5.4 示例：使用K近鄰算法檢測異常操作（二） 80
5.5 示例：使用K近鄰算法檢測Rootkit 81
5.6 示例：使用K近鄰算法檢測WebShell 83
5.7 本章小結 85
參考資源 86
第6章 決策樹與隨機森林算法 87
6.1 決策樹算法概述 87
6.2 示例：hello world！決策樹 88
6.3 示例：使用決策樹算法檢測POP3暴力破解 89
6.4 示例：使用決策樹算法檢測FTP暴力破解 91
6.5 隨機森林算法概述 93
6.6 示例：hello world！隨機森林 93
6.7 示例：使用隨機森林算法檢測FTP暴力破解 95
6.8 本章小結 96
參考資源 96
第7章 樸素貝葉斯算法 97
7.1 樸素貝葉斯算法概述 97
7.2 示例：hello world！樸素貝葉斯 98
7.3 示例：檢測異常操作 99
7.4 示例：檢測WebShell（一） 100
7.5 示例：檢測WebShell（二） 102
7.6 示例：檢測DGA域名 103
7.7 示例：檢測針對Apache的DDoS攻擊 104
7.8 示例：識別驗證碼 107
7.9 本章小結 108
參考資源 108
第8章 邏輯回歸算法 109
8.1 邏輯回歸算法概述 109
8.2 示例：hello world！邏輯回歸 110
8.3 示例：使用邏輯回歸算法檢測Java溢出攻擊 111
8.4 示例：識別驗證碼 113
8.5 本章小結 114
參考資源 114
第9章 支持向量機算法 115
9.1 支持向量機算法概述 115
9.2 示例：hello world！支持向量機 118
9.3 示例：使用支持向量機算法識別XSS 120
9.4 示例：使用支持向量機算法區分僵尸網絡DGA家族 124
9.4.1 數據搜集和數據清洗 124
9.4.2 特征化 125
9.4.3 模型驗證 129
9.5 本章小結 130
參考資源 130
第10章 K-Means與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算法檢測DGA域名 133
10.4 DBSCAN算法概述 135
10.5 示例：hello world！DBSCAN 135
10.6 本章小結 137
參考資源 137
第11章 Apriori與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相關參數 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機 145
11.7 本章小結 146
參考資源 146
第12章 隱式馬爾可夫算法 147
12.1 隱式馬爾可夫算法概述 147
12.2 hello world! 隱式馬爾可夫 148
12.3 示例：使用隱式馬爾可夫算法識別XSS攻擊（一） 150
12.4 示例：使用隱式馬爾可夫算法識別XSS攻擊（二） 153
12.5 示例：使用隱式馬爾可夫算法識別DGA域名 159
12.6 本章小結 162
參考資源 162
第13章 圖算法與知識圖譜 163
13.1 圖算法概述 163
13.2 示例：hello world！有向圖 164
13.3 示例：使用有向圖識別WebShell 169
13.4 示例：使用有向圖識別僵尸網絡 173
13.5 知識圖譜概述 176
13.6 示例：知識圖譜在風控領域的應用 177
13.6.1 檢測疑似賬號被盜 178
13.6.2 檢測疑似撞庫攻擊 179
13.6.3 檢測疑似刷單 181
13.7 示例：知識圖譜在威脅情報領域的應用 183
13.7.1 挖掘后門文件潛在聯系 184
13.7.2 挖掘域名潛在聯系 185
13.8 本章小結 187
參考資源 187
第14章 神經網絡算法 188
14.1 神經網絡算法概述 188
14.2 示例：hello world！神經網絡 190
14.3 示例：使用神經網絡算法識別驗證碼 190
14.4 示例：使用神經網絡算法檢測Java溢出攻擊 191
14.5 本章小結 193
參考資源 194
第15章 多層感知機與DNN算法 195
15.1 神經網絡與深度學習 195
15.2 TensorFlow編程模型 196
15.2.1 操作 197
15.2.2 張量 197
15.2.3 變量 198
15.2.4 會話 198
15.3 TensorFlow的運行模式 198
15.4 示例：在TensorFlow下識別驗證碼（一） 199
15.5 示例：在TensorFlow下識別驗證碼（二） 202
15.6 示例：在TensorFlow下識別驗證碼（三） 205
15.7 示例：在TensorFlow下識別垃圾郵件（一） 207
15.8 示例：在TensorFlow下識別垃圾郵件（二） 209
15.9 本章小結 210
參考資源 210
第16章 循環神經網絡算法 212
16.1 循環神經網絡算法概述 212
16.2 示例：識別驗證碼 213
16.3 示例：識別惡意評論 216
16.4 示例：生成城市名稱 220
16.5 示例：識別WebShell 222
16.6 示例：生成常用密碼 225
16.7 示例：識別異常操作 227
16.8 本章小結 230
參考資源 230
第17章 卷積神經網絡算法 231
17.1 卷積神經網絡算法概述 231
17.2 示例：hello world！卷積神經網絡 234
17.3 示例：識別惡意評論 235
17.4 示例：識別垃圾郵件 237
17.5 本章小結 240
參考資源 242 |
| 序： |
