网络安全之机器学习

作品简介

本书将介绍网络安全威胁生命周期的主要阶段，详细介绍如何为现有的网络安全产品实现智能解决方案，以及如何有效地构建面向未来的智能解决方案。我们将深入研究该理论，还将研究该理论在实际安全场景中的应用。每章均有专注于使用机器学习算法（如聚类、k-means、线性回归和朴素贝叶斯）解决现实问题的独立示例。

（印）索马·哈尔德（Soma Halder）是印度最大的电信公司之一Reliance Jio Infocomm的大数据分析部门的数据科学主管，擅长数据分析、大数据、网络安全和机器学习。她有约10年的机器学习经验，尤其是在网络安全领域。

（美）斯楠·奥兹德米尔（Sinan Ozdemir）是一位生活在美国旧金山湾区的数据科学家、初创公司创始人和教育家。他在约翰斯·霍普金斯大学学习了理论数学，之后花了几年时间在那里举办数据科学讲座。

作品目录

• 前言
• 作者简介
• 审校者简介
• 第1章　网络安全中机器学习的基础知识
• 1.1　什么是机器学习
• 1.2　总结
• 第2章　时间序列分析和集成建模
• 2.1　什么是时间序列
• 2.2　时间序列模型的类型
• 2.3　时间序列分解
• 2.4　时间序列用例
• 2.5　网络安全中的时间序列分析
• 2.6　时间序列趋势和季节性峰值
• 2.7　预测DDoS攻击
• 2.8　集成学习方法
• 2.9　用投票集成方法检测网络攻击
• 2.10　总结
• 第3章　鉴别合法和恶意的URL
• 3.1　URL中的异常类型介绍
• 3.2　使用启发式方法检测恶意网页
• 3.3　使用机器学习方法检测恶意URL
• 3.4　总结
• 第4章　破解验证码
• 4.1　验证码的特点
• 4.2　使用人工智能破解验证码
• 4.3　总结
• 第5章　使用数据科学捕获电子邮件诈骗和垃圾邮件
• 5.1　电子邮件诈骗
• 5.2　垃圾邮件检测
• 5.3　总结
• 第6章　使用k-means算法进行高效的网络异常检测
• 6.1　网络攻击的阶段
• 6.2　应对网络中的内网漫游
• 6.3　使用Windows事件日志检测网络异常
• 6.4　获取活动目录数据
• 6.5　数据解析
• 6.6　建模
• 6.7　用k-means算法检测网络中的异常
• 6.8　总结
• 第7章　决策树和基于上下文的恶意事件检测
• 7.1　恶意软件
• 7.2　恶意注入
• 7.3　使用决策树检测恶意URL
• 7.4　总结
• 第8章　抓住伪装者和黑客
• 8.1　理解伪装
• 8.2　伪装欺诈的不同类型
• 8.3　莱文斯坦距离
• 8.4　总结
• 第9章　用TensorFlow实现入侵检测
• 9.1　TensorFlow简介
• 9.2　TensorFlow安装
• 9.3　适合Windows用户的TensorFlow
• 9.4　用TensorFlow实现“Hello World”
• 9.5　导入MNIST数据集
• 9.6　计算图
• 9.7　张量处理单元
• 9.8　使用TensorFlow进行入侵检测
• 9.9　总结
• 第10章　深度学习如何减少金融诈骗
• 10.1　利用机器学习检测金融诈骗
• 10.2　逻辑回归分类器：欠采样数据
• 10.3　深度学习时间
• 10.4　总结
• 第11章　案例研究
• 11.1　我们的密码数据集简介
• 11.2　总结