Web安全之深度學(xué)習(xí)實(shí)戰(zhàn)

對本書的贊譽(yù)
序
前言
第1章　打造深度學(xué)習(xí)工具箱1
1.1　TensorFlow1
1.1.1　安裝1
1.1.2　使用舉例3
1.2　TFLearn3
1.3　PaddlePaddle4
1.3.1　安裝5
1.3.2　使用舉例6
1.4　Karas7
1.5　本章小結(jié)9
第2章　卷積神經(jīng)網(wǎng)絡(luò)10
2.1　傳統(tǒng)的圖像分類算法10
2.2　基于CNN的圖像分類算法11
2.2.1　局部連接11
2.2.2　參數(shù)共享13
2.2.3　池化15
2.2.4　典型的CNN結(jié)構(gòu)及實(shí)現(xiàn)16
2.2.5　AlexNet的結(jié)構(gòu)及實(shí)現(xiàn)19
2.2.6　VGG的結(jié)構(gòu)及實(shí)現(xiàn)24
2.3　基于CNN的文本處理29
2.3.1　典型的CNN結(jié)構(gòu)30
2.3.2　典型的CNN代碼實(shí)現(xiàn)30
2.4　本章小結(jié)32
第3章　循環(huán)神經(jīng)網(wǎng)絡(luò)33
3.1　循環(huán)神經(jīng)算法概述34
3.2　單向循環(huán)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)與實(shí)現(xiàn)36
3.3　雙向循環(huán)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)與實(shí)現(xiàn)38
3.4　循環(huán)神經(jīng)網(wǎng)絡(luò)在序列分類的應(yīng)用41
3.5　循環(huán)神經(jīng)網(wǎng)絡(luò)在序列生成的應(yīng)用42
3.6　循環(huán)神經(jīng)網(wǎng)絡(luò)在序列標(biāo)記的應(yīng)用43
3.7　循環(huán)神經(jīng)網(wǎng)絡(luò)在序列翻譯的應(yīng)用44
3.8　本章小結(jié)46
第4章　基于OpenSOC的機(jī)器學(xué)習(xí)框架47
4.1　OpenSOC框架47
4.2　數(shù)據(jù)源系統(tǒng)48
4.3　數(shù)據(jù)收集層53
4.4　消息系統(tǒng)層57
4.5　實(shí)時(shí)處理層60
4.6　存儲層62
4.6.1　HDFS62
4.6.2　HBase64
4.6.3　Elasticsearch65
4.7　分析處理層66
4.8　計(jì)算系統(tǒng)67
4.9　實(shí)戰(zhàn)演練72
4.10　本章小結(jié)77
第5章　驗(yàn)證碼識別78
5.1　數(shù)據(jù)集79
5.2　特征提取80
5.3　模型訓(xùn)練與驗(yàn)證81
5.3.1　K近鄰算法81
5.3.2　支持向量機(jī)算法81
5.3.3　深度學(xué)習(xí)算法之MLP82
5.3.4　深度學(xué)習(xí)算法之CNN83
5.4　本章小結(jié)87
第6章　垃圾郵件識別88
6.1　數(shù)據(jù)集89
6.2　特征提取90
6.2.1　詞袋模型90
6.2.2　TF-IDF模型93
6.2.3　詞匯表模型95
6.3　模型訓(xùn)練與驗(yàn)證97
6.3.1　樸素貝葉斯算法97
6.3.2　支持向量機(jī)算法100
6.3.3　深度學(xué)習(xí)算法之MLP101
6.3.4　深度學(xué)習(xí)算法之CNN102
6.3.5　深度學(xué)習(xí)算法之RNN106
6.4　本章小結(jié)108
第7章　負(fù)面評論識別109
7.1　數(shù)據(jù)集110
7.2　特征提取112
7.2.1　詞袋和TF-IDF模型112
7.2.2　詞匯表模型114
7.2.3　Word2Vec模型和Doc2Vec模型115
7.3　模型訓(xùn)練與驗(yàn)證119
7.3.1　樸素貝葉斯算法119
7.3.2　支持向量機(jī)算法122
7.3.3　深度學(xué)習(xí)算法之MLP123
7.3.4　深度學(xué)習(xí)算法之CNN124
7.4　本章小結(jié)127
第8章　騷擾短信識別128
8.1　數(shù)據(jù)集129
8.2　特征提取130
8.2.1　詞袋和TF-IDF模型130
8.2.2　詞匯表模型131
8.2.3　Word2Vec模型和Doc2Vec模型132
8.3　模型訓(xùn)練與驗(yàn)證134
8.3.1　樸素貝葉斯算法134
8.3.2　支持向量機(jī)算法136
8.3.3　XGBoost算法137
8.3.4　深度學(xué)習(xí)算法之MLP140
8.4　本章小結(jié)141
第9章　Linux后門檢測142
9.1　數(shù)據(jù)集142
9.2　特征提取144
9.3　模型訓(xùn)練與驗(yàn)證145
9.3.1　樸素貝葉斯算法145
9.3.2　XGBoost算法146
9.3.3　深度學(xué)習(xí)算法之多層感知機(jī)148
9.4　本章小結(jié)149
第10章　用戶行為分析與惡意行為檢測150
10.1　數(shù)據(jù)集151
10.2　特征提取152
10.2.1　詞袋和TF-IDF模型152
10.2.2　詞袋和N-Gram模型154
10.2.3　詞匯表模型155
10.3　模型訓(xùn)練與驗(yàn)證156
10.3.1　樸素貝葉斯算法156
10.3.2　XGBoost算法157
10.3.3　隱式馬爾可夫算法159
10.3.4　深度學(xué)習(xí)算法之MLP164
10.4　本章小結(jié)166
第11章　WebShell檢測167
11.1　數(shù)據(jù)集168
11.1.1　WordPress168
11.1.2　PHPCMS170
11.1.3　phpMyAdmin170
11.1.4　Smarty171
11.1.5　Yii171
11.2　特征提取172
11.2.1　詞袋和TF-IDF模型172
11.2.2　opcode和N-Gram模型174
11.2.3　opcode調(diào)用序列模型180
11.3　模型訓(xùn)練與驗(yàn)證181
11.3.1　樸素貝葉斯算法181
11.3.2　深度學(xué)習(xí)算法之MLP182
11.3.3　深度學(xué)習(xí)算法之CNN184
11.4　本章小結(jié)188
第12章　智能掃描器189
12.1　自動(dòng)生成XSS攻擊載荷190
12.1.1　數(shù)據(jù)集190
12.1.2　特征提取194
12.1.3　模型訓(xùn)練與驗(yàn)證195
12.2　自動(dòng)識別登錄界面198
12.2.1　數(shù)據(jù)集198
12.2.2　特征提取199
12.2.3　模型訓(xùn)練與驗(yàn)證201
12.3　本章小結(jié)203
第13章　DGA域名識別204
13.1　數(shù)據(jù)集206
13.2　特征提取207
13.2.1　N-Gram模型207
13.2.2　統(tǒng)計(jì)特征模型208
13.2.3　字符序列模型210
13.3　模型訓(xùn)練與驗(yàn)證210
13.3.1　樸素貝葉斯算法210
13.3.2　XGBoost算法212
13.3.3　深度學(xué)習(xí)算法之多層感知機(jī)215
13.3.4　深度學(xué)習(xí)算法之RNN218
13.4　本章小結(jié)221
第14章　惡意程序分類識別222
14.1　數(shù)據(jù)集223
14.2　特征提取226
14.3　模型訓(xùn)練與驗(yàn)證228
14.3.1　支持向量機(jī)算法228
14.3.2　XGBoost算法229
14.3.3　深度學(xué)習(xí)算法之多層感知機(jī)230
14.4　本章小結(jié)231
第15章　反信用卡欺詐232
15.1　數(shù)據(jù)集232
15.2　特征提取234
15.2.1　標(biāo)準(zhǔn)化234
15.2.2　標(biāo)準(zhǔn)化和降采樣234
15.2.3　標(biāo)準(zhǔn)化和過采樣236
15.3　模型訓(xùn)練與驗(yàn)證239
15.3.1　樸素貝葉斯算法239
15.3.2　XGBoost算法243
15.3.3　深度學(xué)習(xí)算法之多層感知機(jī)247
15.4　本章小結(jié)251