7017944 | Подлинная безопасность веб -сайта в серии «Диаматическая реальность/интеллектуальная система и технологии/серия сети» Tensorflow TsfleArn/сверточная нейронная сеть/обработка текста CNN [книга]
Цена: 1 670руб. (¥79)
Артикул: 562263234289
Вес товара: ~0.7 кг. Указан усредненный вес, который может отличаться от фактического. Не включен в цену, оплачивается при получении.
Описание товараПродавец:奥维博世图书专营店
Адрес:Пекин
Рейтинг:
Всего отзывов:0
Положительных:0
Добавить в корзину
Другие товары этого продавца
¥109.22 308руб.
¥175.43 707руб.
¥ 26.5 25.3535руб.
¥54.41 150руб.
1994194544
Книги, продаваемые в этом магазине, являются настоящими книгами
Написано экспертом по безопасности Baidu, изучение интеллектуальных технологий веб -безопасности от Zero Foundation, AI+ Security
1994194544
| Заголовок: | 【Подличная】 Практическая практика глубокого обучения веб -безопасности | 7017944 |
| Цена книги: | 79 Юань |
| Автор книги: | Лю Йе |
| Издательство: | Машиностроительная промышленность Пресса |
| Дата публикации: | 2018/1/1 0:00:00 |
| Номер ISBN: | 9787111584476 |
| формат: | 16 |
| Количество страниц: | 0 |
| Издание: | 1-1 |
| об авторе |
| Лю Ян, лицо, отвечающее за линию продуктов Baidu Security Web Protection, отвечает за продукты веб-безопасности веб-безопасности веб-безопасности Baidu Security, включая анти-DDOS, брандмауэр веб-приложений, осведомленность о веб-угрозах, анализ безопасности сервера и анализ данных безопасности и т. Д. имеет почти десять лет опыта в области облачной безопасности и безопасности предприятия.Исследовательские интересы включают машинное обучение, веб -безопасность, ботнеты, интеллект угроз и т. Д.Он является обозревателем Freebuf и известным лектором в Ichengqiu.Он также создал общественный счет WeChat“ брат Ду заставит вас изучить безопасность&Rdquo;, поделился большим количеством технических знаний о информационной безопасности.Автор бестселлеров AI+ Becurity Book "Web Security Machine Learning". |
| краткое введение |
| В этой книге систематически вводит принципы реализации Kafka и методы применения и вводит инструменты работы и технического обслуживания Kafka, методы клиентского программирования и методы интеграции сторонней интеграции, которые легко понять, изображения и тексты и тщательно проанализированы.Эта книга имеет 10 глав, а ее основное содержание включает в себя: Глава 1 представляет фон рождения Кафки и в основном включает в себя цели.Глава 2 представляет базовые протоколы композиции, топологии и внутренней связи Кафки.Глава 3 представляет сервер брокера и его внутренний состав модуля.Глава 4 представляет девять основных модулей внутри сервера брокера.Глава 5 представляет модуль управления управлением брокером.Глава 6 представляет инструменты управления темой.Глава 7 представляет соответствующие знания о производителях сообщений из четырех аспектов: принципы проектирования, пример кода, композицию модуля и режим отправки.Глава 8 представляет два типа потребителей: простые потребители и продвинутые потребители.Глава 9 представляет типичные применения Kafka, включая интеграцию со штормом, лосьей, Hadoop и Spark типичными системами больших данных.Глава 10 представляет собой всеобъемлющий пример, описывающий роль Кафки в качестве шины данных в общем решении безопасности. |
| Оглавление |
| Слава этой книге последовательность Предисловие Глава 1: Создание инструментов для глубокого обучения 1 1.1 tensorflow1 1.1.1 Установить 1 1.1.2 Используйте Пример 3 1.2 tfflearn3 1.3 PaddlePaddle4 1.3.1 Установка 5 1.3.2 Используйте Пример 6 1.4 Карас7 1.5 Сводка этой главы 9 Глава 2 Служба нейронная сеть 10 2.1 Традиционный алгоритм классификации изображений 10 2.2 Алгоритм классификации изображений на основе CNN 11 2.2.1 Локальное соединение 11 2.2.2 Обмен параметрами 13 2.2.3 Объединение 15 2.2.4 Типичная структура и реализация CNN 16 2.2.5 Структура и реализация Alexnet 19 2.2.6 Структура и реализация VGG 24 2.3 Текстовая обработка на основе CNN29 2.3.1 Типичная структура CNN 30 2.3.2 Типичная реализация кода CNN 30 2.4 Сводка этой главы 32 Глава 3 Рецидивирующая нейронная сеть 33 3.1 Обзор кровообращения нейронных алгоритмов 34 3.2 Односторонняя рецидивирующая структура нейронной сети и реализация 36 3.3 Двунаправленная рецидивирующая структура нейронной сети и реализация 38 3.4 Применение повторяющихся нейронных сетей в классификации последовательностей 41 3.5 Применение повторяющихся нейронных сетей в генерации последовательностей 42 3.6 Применение повторяющихся нейронных сетей в маркировке последовательностей 43 3.7 Применение повторяющихся нейронных сетей в переводе последовательностей 44 3.8 Резюме этой главы 46 Глава 4 Структура машинного обучения на основе OpenSoc47 4.1 OpenSoc Framework 47 4.2 Система источника данных 48 4.3 Уровень сбора данных 53 4.4 System System System 57 4.5 Процедура в реальном времени 60 4.6 Уровень хранения 62 4.6.1 HDFS62 4.6.2 Hbase64 4.6.3 Elasticsearch65 4.7 Анализ и обработка уровня 66 4.8 Вычислительная система 67 4.9 Практические упражнения 72 4.10 Сводка этой главы 77 Глава 5 Идентификация кода проверки 78 5.1 Набор данных 79 5.2 Извлечение элементов 80 5.3 Обучение и проверка модели 81 5.3.1 K Алгоритм ближайшего соседа 81 5.3.2. 5.3.3 MLP82 алгоритма глубокого обучения 5.3.4 CNN83 Алгоритма глубокого обучения 5.4 Сводка этой главы 87 Глава 6 Идентификация спама 88 6.1 Набор данных 89 6.2 Извлечение элементов 90 6.2.1 мешок слова модель 90 6.2.2 TF-IDF Модель 93 6.2.3 Глоссарий модель 95 6.3 Обучение и проверка модели 97 6.3.1 Наивный Алгоритм Байеса 97 6.3.2 Алгоритм машины поддержки вектор 100 6.3.3 MLP101 алгоритма глубокого обучения 6.3.4 CNN102 Алгоритма глубокого обучения 6.3.5 rnn106 алгоритма глубокого обучения 6.4 Сводка этой главы 108 Глава 7 Идентификация негативного комментария 109 7.1 Набор данных 110 7.2 Извлечение элементов 112 7.2.1 мешок слов и модель TF-IDF 112 7.2.2 Глоссарий модель 114 7.2.3 Модель Word2VEC и DOC2VEC MODEL 115 7.3 Обучение и проверка модели 119 7.3.1 Наивный алгоритм байеса 119 7.3.2. 7.3.3 MLP123 алгоритма глубокого обучения 7.3.4 CNN124 Алгоритма глубокого обучения 7.4 Резюме этой главы 127 Глава 8 Идентификация SMS SMS 128 8.1 Набор данных 129 8.2 Извлечение элементов 130 8.2.1 мешок слов и TF-IDF Model 130 8.2.2 Глоссарий модель 131 8.2.3 Модель Word2VEC и DOC2VEC MODEL 132 8.3 Обучение и проверка модели 134 8.3.1 Наивный алгоритм байеса 134 8.3.2 Алгоритм машины поддержки вектор 136 8.3.3 XGBOOST Algorithm 137 8.3.4 MLP140 алгоритма глубокого обучения 8.4 Сводка этой главы 141 ГЛАВА 9 LINUX BACKDOOR DETACTION 142 9.1 Набор данных 142 9.2 Извлечение элементов 144 9.3 Обучение и проверка модели 145 9.3.1 Наивный алгоритм байеса 145 9.3.2 XGBOOST Algorithm 146 9.3.3 Многослойный персептрон 148 Алгоритма глубокого обучения 9.4 Резюме этой главы 149 Глава 10 Анализ поведения пользователей и обнаружение злонамеренного поведения 150 10.1 Набор данных 151 10.2 Извлечение элементов 152 10.2.1 мешок слов и модель TF-IDF 152 10.2.2 мешок с словами и n-грамм модель 154 10.2.3 Глоссарий модель 155 10.3 Обучение и проверка модели 156 10.3.1 Наивный Алгоритм Байеса 156 10.3.2 XGBOOST Algorithm 157 10.3.3 Неявный алгоритм Маркова 159 10.3.4 MLP164 алгоритма глубокого обучения 10.4 Резюме этой главы 166 Глава 11 Обнаружение веб -машины 167 11.1 Набор данных 168 11.1.1 WordPress168 11.1.2 PHPCMS170 11.1.3 PhpMyAdmin170 11.1.4 Smarty171 11.1.5 YII171 11.2 Извлечение элементов 172 11.2.1 мешок слов и TF-IDF Model 172 11.2.2 Opcode и N-Gram Model 174 11.2.3 Модель последовательности вызова OPCODE 180 11.3 Обучение и проверка модели 181 11.3.1 Наивный алгоритм Байеса 181 11.3.2 MLP182 алгоритма глубокого обучения 11.3.3 CNN184 Алгоритма глубокого обучения 11.4 Резюме этой главы 188 Глава 12 Smart Scanner 189 12.1 Автоматически генерировать полезную нагрузку на атаку XSS 190 12.1.1 Набор данных 190 12.1.2 Извлечение функции 194 12.1.3 Обучение и проверка модели 195 12.2 Автоматически идентифицировать интерфейс входа в систему 198 12.2.1 Набор данных 198 12.2.2 Извлечение элементов 199 12.2.3 Обучение и проверка модели 201 12.3 Резюме этой главы 203 Глава 13 DGA Доменное имя Идентификация 204 13.1 Набор данных 206 13.2 Извлечение функции 207 13.2.1 N-грамм модель 207 13.2.2 Статистическая характерная модель 208 13.2.3 Модель 210 символов. 13.3 Обучение и проверка модели 210 13.3.1 Наивный алгоритм байеса 210 13.3.2 XGBOOST Algorithm 212 13.3.3 Многослойный персептрон 215 из алгоритма глубокого обучения 13.3.4 RNN218 Алгоритма глубокого обучения 13.4 Резюме этой главы 221 Глава 14 ЗВИНКА Идентификация классификации программ 222 14.1 Набор данных 223 14.2 Извлечение функций 226 14.3 Обучение и проверка модели 228 14.3.1 Алгоритм машины поддержки вектор 228 14.3.2 XGBOOST Algorithm 229 14.3.3 Многослойное восприятие машины 230 Алгоритма глубокого обучения 14.4 Резюме этой главы 231 Глава 15 мошенничество с антикредит 232 15.1 Набор данных 232 15.2 Извлечение элементов 234 15.2.1 Стандартизация 234 15.2.2 Стандартизация и снижение 234 15.2.3 Стандартизация и перенаэмпликация 236 15.3 Обучение и проверка модели 239 15.3.1 Наивный алгоритм байеса 239 15.3.2 XGBOOST Algorithm 243 15.3.3 Многослойное персептрон алгоритма глубокого обучения 247 15.4 Резюме этой главы 251 |
| Выбор редактора |
| В современных интернет -компаниях линейки продуктов непрерывны и сложны, и система защиты безопасности постоянно реагирует на новые проблемы.Даже практики безопасности с богатым опытом работы будут вздыхать, когда столкнутся с бесконечными методами атаки и массовыми данными журнала.Машинное обучение и глубокое обучение являются естественными решениями для этих проблем.Эта книга предоставляет практические решения для быстрого развития, когда ИИ сталкивается с безопасностью. Автор этой книги является экспертом по безопасности Baidu. I. |
..1994194544