深度學習算法及其在網(wǎng)絡空間安全中的應用

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 14
1.3.1 從邏輯回歸到神經(jīng)元 15
1.3.2 神經(jīng)網(wǎng)絡模型 16
1.3.3 神經(jīng)網(wǎng)絡目標函數(shù) 17
1.3.4 神經(jīng)網(wǎng)絡優(yōu)化算法 17
1.3.5 神經(jīng)網(wǎng)絡算法小結(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 47
3.2.1 卷積神經(jīng)網(wǎng)絡的原理 47
3.2.2 卷積神經(jīng)網(wǎng)絡的特征 52
3.2.3 卷積神經(jīng)網(wǎng)絡的求解 53
3.2.4 幾種典型的卷積神經(jīng)網(wǎng)絡 55
3.2.5 卷積神經(jīng)網(wǎng)絡的PyTorch實現(xiàn) 57
3.3 循環(huán)神經(jīng)網(wǎng)絡 64
3.3.1 循環(huán)神經(jīng)網(wǎng)絡的原理 65
3.3.2 兩種改進的循環(huán)神經(jīng)網(wǎng)絡 65
3.3.3 循環(huán)神經(jīng)網(wǎng)絡的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)絡在入侵檢測中的應用 84
4.3.1 MINet_1d網(wǎng)絡模型 84
4.3.2 MINet_2d網(wǎng)絡模型 87
4.3.3 MI&Residual_Net網(wǎng)絡模型 90
4.3.4 卷積神經(jīng)網(wǎng)絡模型的對比實驗結(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)絡在惡意代碼檢測中的應用 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)絡在惡意代碼檢測中的應用 121
5.5.1 圖神經(jīng)網(wǎng)絡 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