Web安全之强化学习与GAN电子书

对本书的赞誉

前言

第1章 AI安全之攻与防

1.1 AI设备的安全

1.2 AI模型的安全

1.3 使用AI进行安全建设

1.4 使用AI进行攻击

1.5 本章小结

第2章 打造机器学习工具箱

2.1 TensorFlow

2.2 Keras

2.3 Anaconda

2.4 OpenAI Gym

2.5 Keras-rl

2.6 XGBoost

2.7 GPU服务器

2.8 本章小结

第3章 性能衡量与集成学习

3.1 常见性能衡量指标

3.1.1 测试数据

3.1.2 混淆矩阵

3.1.3 准确率与召回率

3.1.4 准确度与F1-Score

3.1.5 ROC与AUC

3.2 集成学习

3.2.1 Boosting算法

3.2.2 Bagging算法

3.3 本章小结

第4章 Keras基础知识

4.1 Keras简介

4.2 Keras常用模型

4.2.1 序列模型

4.2.2 函数式模型

4.3 Keras的网络层

4.3.1 模型可视化

4.3.2 常用层

4.3.3 损失函数

4.3.4 优化器

4.3.5 模型的保存与加载

4.3.6 基于全连接识别MNIST

4.3.7 卷积层和池化层

4.3.8 基于卷积识别MNIST

4.3.9 循环层

4.3.10 基于LSTM进行IMDB情感分类

4.4 本章小结

第5章 单智力体强化学习

5.1 马尔可夫决策过程

5.2 Q函数

5.3 贪婪算法与∈-贪婪算法

5.4 Sarsa算法

案例5-1：使用Sarsa算法处理金币问题

5.5 Q Learning算法

案例5-2：使用Q Learning算法处理金币问题

5.6 Deep Q Network算法

案例5-3：使用DQN算法处理CartPole问题

5.7 本章小结

第6章 Keras-rl简介

6.1 Keras-rl智能体介绍

6.2 Keras-rl智能体通用API

6.3 Keras-rl常用对象

案例6-1：在Keras-rl下使用SARSA算法处理CartPole问题

案例6-2：在Keras-rl下使用DQN算法处理CartPole问题

案例6-3：在Keras-rl下使用DQN算法玩Atari游戏

6.4 本章小结

第7章 OpenAI Gym简介

7.1 OpenAI

7.2 OpenAI Gym

7.3 Hello World！OpenAI Gym

7.4 编写OpenAI Gym环境

7.5 本章小结

第8章 恶意程序检测

8.1 PE文件格式概述

8.2 PE文件的节

8.3 PE文件特征提取

8.4 PE文件节的特征提取

8.5 检测模型

8.6 本章小结

第9章 恶意程序免杀技术

9.1 LIEF库简介

9.2 文件末尾追加随机内容

9.3 追加导入表

9.4 改变节名称

9.5 增加节

9.6 节内追加内容

9.7 UPX加壳

9.8 删除签名

9.9 删除debug信息

9.10 置空可选头的交验和

9.11 本章小结

第10章 智能提升恶意程序检测能力

10.1 Gym-Malware简介

10.2 Gym-Malware架构

10.2.1 PEFeatureExtractor

10.2.2 Interface

10.2.3 MalwareManipulator

10.2.4 DQNAgent

10.2.5 MalwareEnv

10.3 恶意程序样本

10.4 本章小结

第11章 智能提升WAF的防护能力

11.1 常见XSS攻击方式

11.2 常见XSS防御方式

11.3 常见XSS绕过方式

11.4 Gym-WAF架构

11.4.1 Features类

11.4.2 Xss_Manipulator类

11.4.3 DQNAgent类

11.4.4 WafEnv_v0类

11.4.5 Waf_Check类

11.5 效果验证

11.6 本章小结

第12章 智能提升垃圾邮件检测能力

12.1 垃圾邮件检测技术

12.1.1 数据集

12.1.2 特征提取

12.1.3 模型训练与效果验证

12.1.4 模型的使用

12.2 垃圾邮件检测绕过技术

12.2.1 随机增加TAB

12.2.2 随机增加回车

12.2.3 大小写混淆

12.2.4 随机增加换行符

12.2.5 随机增加连字符

12.2.6 使用错别字

12.3 Gym-Spam架构

12.3.1 Features类

12.3.2 Spam_Manipulator类

12.3.3 DQNAgent类

12.3.4 SpamEnv_v0类

12.4 效果验证

12.5 本章小结

第13章 生成对抗网络

13.1 GAN基本原理

13.2 GAN系统架构

13.2.1 噪音源

13.2.2 Generator

13.2.3 Discriminator

13.2.4 对抗模型

13.3 GAN

13.4 DCGAN

13.5 ACGAN

13.6 WGAN

13.7 本章小结

第14章 攻击机器学习模型

14.1 攻击图像分类模型

14.1.1 常见图像分类模型

14.1.2 梯度算法和损失函数

14.1.3 基于梯度上升的攻击原理

14.1.4 基于梯度上升的算法实现

14.1.5 基于FGSM的攻击原理

14.1.6 基于FGSM攻击的算法实现

14.2 攻击其他模型

案例14-1：攻击手写数字识别模型

案例14-2：攻击自编码器

案例14-3：攻击差分自编码器

14.3 本章小结