深度學(xué)習(xí)算法及其在網(wǎng)絡(luò)空間安全中的應(yīng)用

第1章 機(jī)器學(xué)習(xí)算法簡(jiǎn)介 1
1.1 聚類(lèi)算法 1
1.1.1 K均值聚類(lèi) 2
1.1.2 層次聚類(lèi) 3
1.1.3 自組織圖聚類(lèi) 5
1.2 支持向量機(jī)算法 6
1.2.1 線性可分支持向量機(jī) 6
1.2.2 線性支持向量機(jī) 10
1.2.3 非線性支持向量機(jī) 12
1.2.4 支持向量機(jī)的優(yōu)缺點(diǎn) 14
1.3 神經(jīng)網(wǎng)絡(luò) 14
1.3.1 從邏輯回歸到神經(jīng)元 15
1.3.2 神經(jīng)網(wǎng)絡(luò)模型 16
1.3.3 神經(jīng)網(wǎng)絡(luò)目標(biāo)函數(shù) 17
1.3.4 神經(jīng)網(wǎng)絡(luò)優(yōu)化算法 17
1.3.5 神經(jīng)網(wǎng)絡(luò)算法小結(jié) 20
1.4 深度學(xué)習(xí) 21
1.4.1 深度學(xué)習(xí)模型 21
1.4.2 深度學(xué)習(xí)應(yīng)用 23
1.5 強(qiáng)化學(xué)習(xí) 24
本章小結(jié) 26
參考文獻(xiàn) 26
第2章 深度學(xué)習(xí)中的優(yōu)化技術(shù) 27
2.1 優(yōu)化模型與優(yōu)化算法 27
2.2 優(yōu)化算法 28
2.2.1 損失函數(shù)和風(fēng)險(xiǎn)函數(shù) 28
2.2.2 學(xué)習(xí)的目標(biāo) 28
2.2.3 基本優(yōu)化算法 30
本章小結(jié) 34
參考文獻(xiàn) 34
第3章 深度學(xué)習(xí)算法及PyTorch實(shí)現(xiàn) 36
3.1 多層感知機(jī) 36
3.1.1 多層感知機(jī)的算法原理 36
3.1.2 NSL­KDD數(shù)據(jù)集 37
3.1.3 多層感知機(jī)算法的PyTorch實(shí)現(xiàn) 37
3.2 卷積神經(jīng)網(wǎng)絡(luò) 47
3.2.1 卷積神經(jīng)網(wǎng)絡(luò)的原理 47
3.2.2 卷積神經(jīng)網(wǎng)絡(luò)的特征 52
3.2.3 卷積神經(jīng)網(wǎng)絡(luò)的求解 53
3.2.4 幾種典型的卷積神經(jīng)網(wǎng)絡(luò) 55
3.2.5 卷積神經(jīng)網(wǎng)絡(luò)的PyTorch實(shí)現(xiàn) 57
3.3 循環(huán)神經(jīng)網(wǎng)絡(luò) 64
3.3.1 循環(huán)神經(jīng)網(wǎng)絡(luò)的原理 65
3.3.2 兩種改進(jìn)的循環(huán)神經(jīng)網(wǎng)絡(luò) 65
3.3.3 循環(huán)神經(jīng)網(wǎng)絡(luò)的PyTorch實(shí)現(xiàn) 67
3.4 深度學(xué)習(xí)模型優(yōu)化算法的實(shí)現(xiàn) 76
本章小結(jié) 79
參考文獻(xiàn) 79
第4章 深度學(xué)習(xí)在入侵檢測(cè)中的應(yīng)用 80
4.1 入侵檢測(cè)概念 80
4.2 入侵檢測(cè)模型 81
4.3 卷積神經(jīng)網(wǎng)絡(luò)在入侵檢測(cè)中的應(yīng)用 84
4.3.1 MINet_1d網(wǎng)絡(luò)模型 84
4.3.2 MINet_2d網(wǎng)絡(luò)模型 87
4.3.3 MI&Residual_Net網(wǎng)絡(luò)模型 90
4.3.4 卷積神經(jīng)網(wǎng)絡(luò)模型的對(duì)比實(shí)驗(yàn)結(jié)果 94
4.3.5 CNN與LSTM的對(duì)比試驗(yàn) 95
本章小結(jié) 96
參考文獻(xiàn) 96
第5章 深度學(xué)習(xí)在惡意代碼檢測(cè)中的應(yīng)用 98
5.1 惡意代碼概述 98
5.2 惡意代碼檢測(cè)技術(shù) 98
5.2.1 靜態(tài)檢測(cè)技術(shù) 99
5.2.2 動(dòng)態(tài)檢測(cè)技術(shù) 100
5.3 基于深度學(xué)習(xí)的惡意代碼檢測(cè)模型 101
5.3.1 基于卷積神經(jīng)網(wǎng)絡(luò)的惡意代碼檢測(cè)模型 102
5.3.2 基于CNN­BiLSTM的惡意代碼家族檢測(cè)模型 104
5.3.3 基于強(qiáng)化學(xué)習(xí)的惡意代碼檢測(cè)分類(lèi)模型 107
5.4 卷積神經(jīng)網(wǎng)絡(luò)在惡意代碼檢測(cè)中的應(yīng)用 108
5.4.1 數(shù)據(jù)集介紹 108
5.4.2 特征提取 109
5.4.3 模型建立 112
5.4.4 實(shí)驗(yàn)結(jié)果 115
5.4.5 比較試驗(yàn) 117
5.5 圖神經(jīng)網(wǎng)絡(luò)在惡意代碼檢測(cè)中的應(yīng)用 121
5.5.1 圖神經(jīng)網(wǎng)絡(luò) 121
5.5.2 模型建立 124
5.5.3 實(shí)驗(yàn)結(jié)果 125
本章小結(jié) 126
參考文獻(xiàn) 127