基于数据科学的恶意软件分析/网络空间安全技术丛书
新华书店全新正版书籍图书 保证_可开发票_极速发货支持7天无理由
￥ 53.4 6.8折 ￥ 79 全新
库存2件
浙江嘉兴
认证卖家担保交易快速发货售后保障
作者(美)约书亚·萨克斯//希拉里·桑德斯|责编:梁华杰|译者:何能强//严寒冰
出版社机械工业
ISBN9787111646525
出版时间2020-03
装帧其他
开本其他
定价79元
货号30827526
上书时间2024-10-16
商品详情
- 品相描述：全新
- 商品描述
-
目录
译者序
序
前言
致谢
作者简介
评审专家简介
第1章 恶意软件静态分析基础
1.1 微软Windows可移植可执行文件格式
1.1.1 PE头
1.1.2 可选头
1.1.3 节头
1.2 使用pefile解析PE文件格式
1.3 检查恶意软件的图片
1.4 检查恶意软件的字符串
1.4.1 使用字符串程序
1.4.2 分析镜像字符串
1.5 小结
第2章 基础静态分析进阶：x86反汇编
2.1 反汇编方法
2.2 x86汇编语言基础
2.2.1 CPU寄存器
2.2.2 算术指令
2.2.3 数据传送指令
2.3 使用peffile和capstone反汇编ircbot.exe
2.4 限制静态分析的因素
2.4.1 加壳
2.4.2 资源混淆
2.4.3 反汇编技术
2.4.4 动态下载数据
2.5 小结
第3章 动态分析简介
3.1 为什么使用动态分析
3.2 恶意软件数据科学的动态分析
3.3 动态分析的基本工具
3.3.1 典型的恶意软件行为
3.3.2 在malwr.com上加载文件
3.3.3 在malwr.com上分析结果
3.4 基本动态分析的局限
3.5 小结
第4章 利用恶意软件网络识别攻击活动
4.1 节点和边
4.2 二分网络
4.3 恶意软件网络可视化
4.3.1 失真问题
4.3.2 力导向算法
4.4 使用NetworkX构建网络
4.5 添加节点和边
4.5.1 添加属性
4.5.2 将网络保存到磁盘
4.6 使用GraphViz实现网络可视化
4.6.1 使用参数调整网络
4.6.2 GraphViz命令行工具
4.6.3 向节点和边添加可视属性
4.7 构建恶意软件网络
4.8 构建共享图像关系网络
4.9 小结
第5章 共享代码分析
5.1 通过特征提取对样本进行比较
5.1.1 特征袋模型如何工作
5.1.2 N-gram
5.2 使用Jaccard系数量化相似性
5.3 使用相似性矩阵评价恶意软件共享代码估计方法
5.3.1 基于指令序列的相似性
5.3.2 基于字符串的相似性
5.3.3 基于导入地址表的相似性
5.3.4 基于API动态调用的相似性
5.4 构建相似图
5.5 扩展相似性比较
5.5.1 minhash概述
5.5.2 minhash详述
5.6 构建持续的恶意软件相似性搜索系统
5.7 运行相似性搜索系统
5.8 小结
第6章 理解基于机器学习的恶意软件检测方法
6.1 基于机器学习的检测引擎构建步骤
6.1.1 收集训练样本
6.1.2 提取特征
6.1.3 设计好的特征
6.1.4 训练机器学习系统
6.1.5 测试机器学习系统
6.2 理解特征空间和决策边界
6.3 是什么决定了模型的好和坏：过拟合与欠拟合
6.4 机器学习算法的主要类型
6.4.1 逻辑回归
6.4.2 k近邻算法
6.4.3 决策树
6.4.4 随机森林
6.5 小结
第7章 评价恶意软件检测系统
7.1 四种可能的检测结果
7.1.1 检出率和误报率
7.1.2 检出率和误报率之间的关系
7.1.3 ROC曲线
7.2 在评价中考虑基准率
7.2.1 基准率如何影响精确度
7.2.2 在部署环境中评价精确度
7.3 小结
第8章 构建基于机器学习的检测器
8.1 术语和概念
8.2 构建一个基于决策树的检测器雏形
8.2.1 训练你的决策树分类器
8.2.2 可视化决策树
8.2.3 完整的示例代码
8.3 使用sklearn构建实际的机器学习检测器
8.3.1 实际的特征提取
8.3.2 为什么不能使用所有可能的特征
8.3.3 使用哈希技巧压缩特征
8.4 构建工业级的检测器
8.4.1 特征提取
8.4.2 训练检测器
8.4.3 运行检测器检测新的二进制文件
8.4.4 至此我们实现了什么
8.5 评价检测器的性能
8.5.1 使用ROC曲线评价检测器的功效
8.5.2 计算ROC曲线
8.5.3 将数据拆分为训练集和测试集
8.5.4 计算ROC曲线
8.5.5 交叉验证
8.6 下一步工作
8.7 小结
第9章 可视化恶意软件趋势
9.1 为什么可视化恶意软件数据很重要
9.2 理解我们的恶意软件数据集
9.2.1 将数据加载到pandas中
9.2.2 使用pandas DataFrame
9.2.3 使用条件过滤数据
9.3 使用matplotlib可视化数据
9.3.1 绘制恶意软件大小和反病毒引擎检测之间的关系
9.3.2 绘制勒索软件检出率
9.3.3 绘制勒索软件和蠕虫检测率
9.4 使用seaborn可视化数据
9.4.1 绘制反病毒引擎检出的分布图
9.4.2 创建小提琴图
9.5 小结
第10章 深度学习基础
10.1 深度学习的定义
10.2 神经网络是如何工作的
10.2.1 神经元剖析
10.2.2 神经元网络
10.2.3 通用近似定理
10.2.4 构建自己的神经网络
10.2.5 向网络中添加一个新的神经元
10.2.6 自动生成特征
10.3 训练神经网络
10.3.1 利用后向传播优化神经网络
10.3.2 路径爆炸
10.3.3 梯度消失
10.4 神经网络的类型
内容摘要
每年都有数百万个恶意软件文件被创建，每天都会产生大量与安全相关的数据，安全已经成为一个“大数据”问题。那么在防范恶意软件时，为什么不像数据科学家那样思考呢？
在本书中，安全数据科学家约书亚·萨克斯和希拉里·桑德斯展示了在构建自己的检测和情报系统时，如何应用机器学习、统计和数据可视化等技术。在概述了静态和动态分析等基础逆向工程概念之后，你将学习如何度量恶意软件样本中的代码相似性，并使用scikit-learn和Keras等机器学习框架构建和训练你自己的检测器。
通过阅读本书，你将学习如何：通过共享代码分析，识别由相同攻击组织编写的新恶意软件。
通过建立自己的机器学习检测系统来捕获Oday恶意软件。
使用ROC曲线来度量恶意软件检测器的准确性，以帮助你选择解决安全问题的最佳途径。
使用数据可视化技术来识别和探讨恶意软件攻击活动、演变趋势和相互关系。
使用Python实现基于深度神经网络的检测系统。
无论你是一位想要为现有武器库丰富能力的恶意软件分析师，还是一位对攻击检测和威胁情报感兴趣的数据科学家，本书都将帮助你保持领先地位。
— 没有更多了 —
以下为对购买帮助不大的评价