Web安全之强化学习与GANPDF电子书下载

第1章 AI安全之攻与防 1

1.1 AI设备的安全 2

1.2 AI模型的安全 3

1.3 使用AI进行安全建设 4

1.4 使用AI进行攻击 9

1.5 本章小结 9

第2章 打造机器学习工具箱 11

2.1 TensorFlow 11

2.2 Keras 13

2.3 Anaconda 14

2.4 OpenAI Gym 19

2.5 Keras-rl 19

2.6 XGBoost 19

2.7 GPU服务器 20

2.8 本章小结 23

第3章 性能衡量与集成学习 24

3.1 常见性能衡量指标 24

3.1.1 测试数据 24

3.1.2 混淆矩阵 25

3.1.3 准确率与召回率 25

3.1.4 准确度与F1-Score 26

3.1.5 ROC与AUC 27

3.2 集成学习 28

3.2.1 Boosting算法 29

3.2.2 Bagging算法 31

3.3 本章小结 32

第4章 Keras基础知识 34

4.1 Keras简介 34

4.2 Keras常用模型 35

4.2.1 序列模型 35

4.2.2 函数式模型 35

4.3 Keras的网络层 36

4.3.1 模型可视化 36

4.3.2 常用层 38

4.3.3 损失函数 44

4.3.4 优化器 44

4.3.5 模型的保存与加载 45

4.3.6 基于全连接识别MNIST 45

4.3.7 卷积层和池化层 47

4.3.8 基于卷积识别MNIST 49

4.3.9 循环层 49

4.3.10 基于LSTM进行IMDB情感分类 52

4.4 本章小结 54

第5章 单智力体强化学习 55

5.1 马尔可夫决策过程 55

5.2 Q函数 56

5.3 贪婪算法与∈-贪婪算法 57

5.4 Sarsa算法 59

案例5-1：使用Sarsa算法处理金币问题 60

5.5 Q Learning算法 62

案例5-2：使用Q Leaming算法处理金币问题 63

5.6 Deep Q Network算法 64

案例5-3：使用DQN算法处理CartPole问题 65

5.7 本章小结 71

第6章 Keras-rl简介 72

6.1 Keras-rl智能体介绍 73

6.2 Keras-rl智能体通用API 73

6.3 Keras-rl常用对象 75

案例6-1：在Keras-rl下使用SARSA算法处理CartPole问题 75

案例6-2：在Keras-rl下使用DQN算法处理CartPole问题 77

案例6-3：在Keras-rl下使用DQN算法玩Atari游戏 78

6.4 本章小结 86

第7章 OpenAI Gym简介 87

7.1 OpenAI 87

7.2 OpenAI Gym 88

7.3 Hello World！OpenAI Gym 89

7.4 编写OpenAI Gym环境 92

7.5 本章小结 98

第8章 恶意程序检测 99

8.1 PE文件格式概述 100

8.2 PE文件的节 104

8.3 PE文件特征提取 107

8.4 PE文件节的特征提取 119

8.5 检测模型 121

8.6 本章小结 129

第9章 恶意程序免杀技术 130

9.1 LIEF库简介 130

9.2 文件末尾追加随机内容 132

9.3 追加导入表 132

9.4 改变节名称 133

9.5 增加节 134

9.6 节内追加内容 135

9.7 UPX加壳 135

9.8 删除签名 137

9.9 删除debug信息 138

9.10 置空可选头的交验和 138

9.11 本章小结 138

第10章 智能提升恶意程序检测能力 139

10.1 Gym-Malware简介 139

10.2 Gym-Malware架构 141

10.2.1 PEFeatureExtractor 141

10.2.2 Interface 143

10.2.3 MalwareManipulator 143

10.2.4 DQNAgent 144

10.2.5 MalwareEnv 145

10.3 恶意程序样本 148

10.4 本章小结 149

第11章 智能提升WAF的防护能力 150

11.1 常见XSS攻击方式 151

11.2 常见XSS防御方式 152

11.3 常见XSS绕过方式 153

11.4 Gym-WAF架构 155

11.4.1 Features类 156

11.4.2 Xss＿Manipulator类 156

11.4.3 DQNAgent类 160

11.4.4 WafEnv＿v0类 161

11.4.5 Waf＿Check类 162

11.5 效果验证 163

11.6 本章小结 164

第12章 智能提升垃圾邮件检测能力 165

12.1 垃圾邮件检测技术 166

12.1.1 数据集 166

12.1.2 特征提取 168

12.1.3 模型训练与效果验证 171

12.1.4 模型的使用 172

12.2 垃圾邮件检测绕过技术 173

12.2.1 随机增加TAB 174

12.2.2 随机增加回车 174

12.2.3 大小写混淆 175

12.2.4 随机增加换行符 175

12.2.5 随机增加连字符 176

12.2.6 使用错别字 176

12.3 Gym-Spam架构 177

12.3.1 Features类 178

12.3.2 Spam＿Manipulator类 178

12.3.3 DQNAgent类 179

12.3.4 SpamEnv＿v0类 181

12.4 效果验证 182

12.5 本章小结 183

第13章 生成对抗网络 184

13.1 GAN基本原理 184

13.2 GAN系统架构 185

13.2.1 噪音源 185

13.2.2 Generator 186

13.2.3 Discriminator 187

13.2.4 对抗模型 188

13.3 GAN 188

13.4 DCGAN 194

13.5 ACGAN 202

13.6 WGAN 210

13.7 本章小结 217

第14章 攻击机器学习模型 218

14.1 攻击图像分类模型 218

14.1.1 常见图像分类模型 219

14.1.2 梯度算法和损失函数 222

14.1.3 基于梯度上升的攻击原理 224

14.1.4 基于梯度上升的算法实现 226

14.1.5 基于FGSM的攻击原理 228

14.1.6 基于FGSM攻击的算法实现 229

14.2 攻击其他模型 231

案例14-1：攻击手写数字识别模型 233

案例14-2：攻击自编码器 240

案例14-3：攻击差分自编码器 249

14.3 本章小结 262