網(wǎng)絡(luò)安全大數(shù)據(jù)分析與實戰(zhàn)

前言
第1章 大數(shù)據(jù)安全概述
1.1 大數(shù)據(jù)相關(guān)理論
1.1.1 大數(shù)據(jù)產(chǎn)生的背景
1.1.2 大數(shù)據(jù)的定義與構(gòu)成
1.1.3 大數(shù)據(jù)的特征與價值
1.2 大數(shù)據(jù)相關(guān)技術(shù)
1.2.1 大數(shù)據(jù)平臺與架構(gòu)
1.2.2 大數(shù)據(jù)分析常用工具
1.3 大數(shù)據(jù)應(yīng)用案例
1.3.1 社交網(wǎng)絡(luò)廣告投放系統(tǒng)
1.3.2 圍棋智能AlphaGo
1.3.3 圖像識別
1.4 大數(shù)據(jù)分析技術(shù)在安全中的應(yīng)用
1.4.1 安全需要大數(shù)據(jù)
1.4.2 安全大數(shù)據(jù)分析技術(shù)基礎(chǔ)及分析思路
本章小結(jié)
課后習(xí)題
第2章 大數(shù)據(jù)安全分析基礎(chǔ)
2.1 大數(shù)據(jù)分析理論基礎(chǔ)
2.1.1 基本概念
2.1.2 分析思路
2.1.3 分析算法
2.1.4 常見安全應(yīng)用場景的特征及檢測方法
2.2 大數(shù)據(jù)分析實踐基礎(chǔ)
2.2.1 編程工具
2.2.2 編程環(huán)境
2.2.3 Python基礎(chǔ)知識
本章小結(jié)
課后習(xí)題
第3章 大數(shù)據(jù)分析工程技術(shù)
3.1 數(shù)據(jù)采集
3.1.1 數(shù)據(jù)采集的概念
3.1.2 日志采集工具Logstash
3.2 非結(jié)構(gòu)化存儲
3.2.1 HDFS的基本信息
3.2.2 HDFS常用命令
3.2.3 HDFS管理命令
3.3 結(jié)構(gòu)化存儲
3.3.1 HBase基本介紹
3.3.2 HBase中的基本概念
3.3.3 Hbase常用命令
3.4 數(shù)據(jù)搜索
3.4.1 Elasticsearch基本概念
3.4.2 副本復(fù)制機制
3.4.3 映射和分詞
3.4.4 映射管理
3.4.5 索引管理命令
3.4.6 搜索
3.4.7 聚合分析
3.5 實時計算引擎
3.5.1 基本概念
3.5.2 主流的大數(shù)據(jù)流計算引擎
3.5.3 Apache Flink
3.6 批量計算引擎
3.6.1 Apache Spark項目簡介
3.6.2 Spark核心模塊
3.6.3 Spark與Hadoop的區(qū)別
3.7 計算管理調(diào)度
3.7.1 任務(wù)管理調(diào)度中的挑戰(zhàn)
3.7.2 Airflow介紹
3.7.3 任務(wù)DAG與任務(wù)依賴
3.7.4 Airflow Hook
3.7.5 Airflow Operator
3.7.6 Airflow命令
3.8 數(shù)據(jù)可視化
3.8.1 明確表達(dá)意圖、選擇數(shù)據(jù)
3.8.2 拆解信息圖的要素
3.8.3 關(guān)于色彩、字體、圖標(biāo)
3.8.4 可視化的交互考慮
3.8.5 人類視覺缺陷及對數(shù)據(jù)可視化的影響
3.8.6 數(shù)據(jù)可視化工具
3.8.7 數(shù)據(jù)可視化類庫
本章小結(jié)
課后習(xí)題
第4章 機器學(xué)習(xí)和深度學(xué)習(xí)
4.1 機器學(xué)習(xí)的基本概念
4.1.1 基本定義
4.1.2 應(yīng)用場景
4.2 機器學(xué)習(xí)的算法分類
4.2.1 監(jiān)督學(xué)習(xí)算法
4.2.2 無監(jiān)督學(xué)習(xí)算法
4.2.3 特殊算法
4.3 深度學(xué)習(xí)基本理論
4.3.1 相關(guān)概念
4.3.2 深度學(xué)習(xí)的特點
4.4 深度學(xué)習(xí)的進(jìn)展
4.4.1 AlphaGo戰(zhàn)勝李世石
4.4.2 圖像識別領(lǐng)域深度學(xué)習(xí)超越人類
4.4.3 目標(biāo)識別領(lǐng)域深度學(xué)習(xí)推動無人駕駛的跨越式發(fā)展
4.5 深度學(xué)習(xí)核心思想
4.5.1 卷積神經(jīng)網(wǎng)絡(luò)（CNN）
4.5.2 遞歸神經(jīng)網(wǎng)絡(luò)（RNN）
4.5.3 長短期記憶網(wǎng)絡(luò)（LSTM）
本章小結(jié)
課后習(xí)題
第5章 分類算法
5.1 決策樹
5.1.1 基本概念
5.1.2 典型算法介紹
5.1.3 案例分析及算法優(yōu)缺點
5.2 樸素貝葉斯算法
5.2.1 概念及原理
5.2.2 案例分析及算法優(yōu)缺點
5.3 K近鄰（KNN）
5.3.1 基本概念及原理
5.3.2 案例分析及算法優(yōu)缺點
5.4 支持向量機（SVM）算法
5.4.1 基本概念及原理
5.4.2 案例分析及算法優(yōu)缺點
5.5 BP神經(jīng)網(wǎng)絡(luò)
5.5.1 基本概念
5.5.2 算法原理
5.5.3 案例分析及算法優(yōu)缺點
本章小結(jié)
課后習(xí)題
第6章 預(yù)測分析
6.1 統(tǒng)計預(yù)測
6.1.1 統(tǒng)計預(yù)測的概念及作用
6.1.2 統(tǒng)計預(yù)測方法的分類與選擇
6.1.3 統(tǒng)計預(yù)測的原則與步驟
6.2 時間序列分析
6.2.1 時間序列的概念
6.2.2 移動平均模型
6.2.3 指數(shù)平滑模型
6.2.4 隨機時間序列模型
6.3 回歸分析
6.3.1 回歸分析的原理
6.3.2 線性回歸
6.3.3 邏輯回歸
本章小結(jié)
課后習(xí)題
第7章 關(guān)聯(lián)分析
7.1 基本概念
7.1.1 項與項集
7.1.2 關(guān)聯(lián)規(guī)則及相關(guān)度量
7.2 Apriori算法
7.2.1 Apriori算法原理
7.2.2 Apriori算法示例
7.3 FP-Growth算法
7.3.1 FP-Growth算法原理
7.3.2 FP-Growth算法示例
7.4 關(guān)聯(lián)分析應(yīng)用場景
本章小結(jié)
課后習(xí)題
第8章 聚類分析
8.1 聚類概述
8.1.1 基本概念
8.1.2 聚類分析的應(yīng)用
8.2 相似度（距離）計算
8.2.1 歐氏距離
8.2.2 曼哈頓距離
8.2.3 閔可夫斯基距離
8.2.4 馬氏距離
8.2.5 夾角余弦
8.3 層次聚類
8.3.1 基本概念及原理
8.3.2 案例分析
8.4 k-means聚類
8.4.1 基本概念及原理
8.4.2 案例分析
8.5 EM聚類
8.5.1 基本原理與概念
8.5.2 案例分析
本章小結(jié)