深度學習算法及其在網(wǎng)絡(luò)空間安全中的應(yīng)用

第1章 機器學習算法簡介 1
1.1 聚類算法 1
1.1.1 K均值聚類 2
1.1.2 層次聚類 3
1.1.3 自組織圖聚類 5
1.2 支持向量機算法 6
1.2.1 線性可分支持向量機 6
1.2.2 線性支持向量機 10
1.2.3 非線性支持向量機 12
1.2.4 支持向量機的優(yōu)缺點 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 深度學習 21
1.4.1 深度學習模型 21
1.4.2 深度學習應(yīng)用 23
1.5 強化學習 24
本章小結(jié) 26
參考文獻 26
第2章 深度學習中的優(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)和風險函數(shù) 28
2.2.2 學習的目標 28
2.2.3 基本優(yōu)化算法 30
本章小結(jié) 34
參考文獻 34
第3章 深度學習算法及PyTorch實現(xiàn) 36
3.1 多層感知機 36
3.1.1 多層感知機的算法原理 36
3.1.2 NSL­KDD數(shù)據(jù)集 37
3.1.3 多層感知機算法的PyTorch實現(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實現(xiàn) 67
3.4 深度學習模型優(yōu)化算法的實現(xiàn) 76
本章小結(jié) 79
參考文獻 79
第4章 深度學習在入侵檢測中的應(yīng)用 80
4.1 入侵檢測概念 80
4.2 入侵檢測模型 81
4.3 卷積神經(jīng)網(wǎng)絡(luò)在入侵檢測中的應(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)模型的對比實驗結(jié)果 94
4.3.5 CNN與LSTM的對比試驗 95
本章小結(jié) 96
參考文獻 96
第5章 深度學習在惡意代碼檢測中的應(yīng)用 98
5.1 惡意代碼概述 98
5.2 惡意代碼檢測技術(shù) 98
5.2.1 靜態(tài)檢測技術(shù) 99
5.2.2 動態(tài)檢測技術(shù) 100
5.3 基于深度學習的惡意代碼檢測模型 101
5.3.1 基于卷積神經(jīng)網(wǎng)絡(luò)的惡意代碼檢測模型 102
5.3.2 基于CNN­BiLSTM的惡意代碼家族檢測模型 104
5.3.3 基于強化學習的惡意代碼檢測分類模型 107
5.4 卷積神經(jīng)網(wǎng)絡(luò)在惡意代碼檢測中的應(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 實驗結(jié)果 115
5.4.5 比較試驗 117
5.5 圖神經(jīng)網(wǎng)絡(luò)在惡意代碼檢測中的應(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 實驗結(jié)果 125
本章小結(jié) 126
參考文獻 127