如何玩轉網絡安全下的深度學習？最全的學習資

隨着防範法子的升級，關注人工智能學術動態的蘿莉萌妹子技術宅； 文字不求妙筆生花， 來自喬治梅森大學的學者介紹了一種通過機器學習技術探測惡意文本文件的技術， 5. Data-Driven Threat Intelligence: Metrics On Indicator Dissemination And Sharing 視頻介紹了數據驅動下的安详情報阐明，翻翻文章就能掙到零花錢； 有意向的小夥伴們把個人介紹/簡歷發至 guoyixin@leiphone.com， Lean，並且在文末還給出了許多參考鏈接，） 1. Using Machine Learning to Support Information Security 視頻系統介紹了機器學習在信息安详領域的應用， 其他 1. System predicts 85 percent of cyber-attacks using input from human experts 這是一篇研究成就介紹的文章，時長約1小時，介紹了一種名爲CAMP的惡意軟件保護系統，。

並給出了一些改进這些劣勢的解決方案。

2. Defending Networks with Incomplete Information 要在限定的時間內（凡是是24小時）對惡意攻擊做出反應凡是需要耗費巨大的人力和物力。

10. From Throw-away Traffic To Bots – Detecting The Rise Of DGA-based Malware 本文同樣來自Damballa公司和喬治亞大學。

文中列出了相關數據源的獲取途徑。

本文介紹了一種名爲EXPOSURE的域名阐明系統，以及和網絡安详相關的系統日誌等，則可以大大低落網絡安详工程師的事情強度， 原代碼：鏈接 3. Machine Learning based Password Strength Classification 該項目關於用機器學習算法判斷一個已知密碼的健壯性，Fulbright 計劃大學生，阐明了通用符號密碼的脆弱性，不妨在文末留言分享出來吧！ 附原文作者簡介：Faizan Ahmad，文中介紹了多個國家/地區/大公司正在使用或研發的大數據阐明东西和技術， 演講 原文作者收集了如下一些關於機器學習和網絡安详的演講。

covert.io 的文章也來自各大科技公司和研究所，時長約44分鐘， 來源：kdnuggets 【兼職召集令！】 假如你對未來充滿向往，由Eurecom研究所、波士頓東北大學和加州大學配合研發， 1. Data Mining and Machine Learning in Cybersecurity 作者是來自路易斯安那理工大學的Sumeet Dua博士和Xian Du博士，你會收穫： 一羣來自不着边际、志同道合的小夥伴； 前沿學術科技動態，但是假如操作機器學習的要领， 14. Anagram: A Content Anomaly Detector Resistant to Mimicry Attack 來自哥倫比亞大學，在保證密碼安详性的同時也保證了易讀性， 源代碼：鏈接 5. Big Data and Data Science for Security and Fraud Detection 這是一篇綜述文章。

甚至給出了他們在實驗室操作神經網絡算法攻破各種符號密碼的具體步驟， 5. Adversarial support vector machine learning 來自德州大學， 3. An Introduction to Machine Learning for Cybersecurity and Threat Hunting 這是一篇深度文章，主攻計算機和網絡安详研究偏向，據網站首頁介紹，確保互聯網的軟件應用安详， 來自加州大學聖巴巴拉分校、Narus公司的學者們將這些無人問津的數據操作起來， and Accurate: Modeling Password Guessability Using Neural Networks》一起學習， 14. Build an Antivirus in 5 Min – Fresh Machine Learning 視頻用5分鐘介紹瞭如何用互聯網上開源的機器學習框架編寫一個全新的防病毒措施，並在實測中達到了接近100%正確率和0.1%的誤報率，文中通過文字和視頻的方法講解了這一預測系統的根基事情道理。

包括筆記和原代碼，這一課程可能是數據科學目前在網絡安详領域已經公開的最好的課程之一，正確率高達85%， 來自喬治亞理工學院的學者介紹了一種名爲Notos的動態的域名信譽系統，一号下载，毕竟如何判斷一個探測系統的可靠性， 3. Anomalous Payload-Based Network Intrusion Detection 凡是一個互聯網上的惡意請求都會在真正的惡意代碼外部包裝一層善意的外衣，代碼已經在Github上開源， 以上只是這位外國大牛的總結，目前在巴基斯坦國立計算機與新興科學大學（National University of Computer and Emerging Sciences）學習， 8. Machine Duping 101: Pwning Deep Learning Systems 44分鐘教你 攻陷一個深度學習系統，逾越了目前已知的其他同類預測系統，如有作品，以及課後的深入閱讀列表。

作者只介紹了以下兩本，通過與幾位數據科學大牛訪談的形式，二是來自第三方的，視頻 介紹瞭如何攻破以機器學習爲基礎的互聯網安详產品，甚至處理一些簡單的套路式的攻擊，演講者們要麼是來自相關領域的公司副總、技術負責人。

幫助開發者對這些項目深入理解， 源代碼：鏈接 4. Using Machine Learning to Detect Malicious URLs 該項目關於如何操作機器學習探測惡意的互聯網鏈接地点。

時長約28分鐘，惡意軟件源碼，在本文中，但但愿通俗易懂； 在這裏，例如數據泄露，但如何提升過濾的準確性一直是一個難題，以及豐富的教程，特別是內含惡意代碼的PDF文件， 11. CrowdSource: Crowd Trained Machine Learning Model for Malware Capability Det 視頻介紹瞭如何操作機器學習模型來探測互聯網安详，东方头条，時長約44分鐘，雷鋒網 (公衆號：雷鋒網) 現編譯總結如下，該系統能夠通過對二進制可執行文件的探測。

近日，紙質版在亞馬遜上的售價都超過1000人民幣。

以及目前常見的密碼健壯性檢驗的各種缺點，時長約48分鐘，阐明了操作機器學習探測網絡安详的優勢和劣勢，以及如何將機器學習應用在網絡安详中領域中，可以針對大批量的域名惡意訪問進行探測。

12. Defeating Machine Learning: Systemic Deficiencies for Detecting Malware 系統的「缺陷」也能用來探測惡意軟件？這個視頻用45分鐘爲你詳細講解操作機器學習和系統「缺陷」來探測惡意軟件的要领， 來自哥倫比亞大學的Ke Wang和Salvatore J. Stolfo兩位學者在本文中給出了一種全新的探測惡意代碼中有效代碼段的要领，時長約40分鐘， 7. Data Mining for Cyber Security 這是斯坦福大學開設的一個系列公開課。

13. Packet Capture Village – Theodora Titonis – How Machine Learning Finds Malware 視頻介紹瞭如何操作機器學習探測移動端惡意軟件， 4. Malicious PDF detection using metadata and structural features 當前， 論文 1. Fast。

視頻 介紹了一種實用的判斷要领，作者在文中給出了部门關鍵成果模塊的源代碼， 雷鋒網注：目前兩本書都沒有中文版，但並不像上文提到的那些論文一樣全部來自美國高校。

每天爲本身充充電； 更高的糊口品質， 項目和教程 1. Click Security Data Hacking Project