Web安全之机器学习入门

图书标准信息

• 作者 刘焱 著
• 出版社 机械工业出版社
• 出版时间 2017-08
• 版次 1
• ISBN 9787111576426
• 定价 79.00元
• 装帧 平装
• 开本 16开
• 纸张 胶版纸

【内容简介】

　　本书由百度安全专家撰写，零基础学习智能化Web安全技术指南，二十多位业界专家联袂推荐。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CNN、RNN。本书针对每一个算法都给出了具体案例，理论结合实际，讲解清晰，文笔幽默，适合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Web防护产品线负责人，负责百度安全的Web安全产品，包括防DDoS、Web应用防火墙、Web威胁感知、服务器安全以及安全数据分析等，具有近十年云安全及企业安全从业经历，全程参与了百度企业安全建设。研究兴趣包括机器学习、Web安全、僵尸网络、威胁情报等。他是FreeBuf专栏作家、i春秋知名讲师，多次在OWASP 、电子学会年会等发表演讲，参与编写了《大数据安全标准白皮书》。他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。

 

【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  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