自身学习的安全数据科学和ai安全算法的学习资料
项目地址： https://github.com/0xMJ/AI-Security-Learning
最近更新日期为：2019/04/26
同步更新于： Mang0: AI-Security-Learning
[TOC]
新增：
- 干货 | 机器学习在web攻击检测中的应用实践
- 基于HMM的web异常参数检测
- AI繁荣下的隐忧——Google Tensorflow安全风险剖析
- Data-Knowledge-Action: 企业安全数据分析入门
- 使用Seq2Seq自动编码器检测Web攻击
用AI来做应用安全攻击
- 一种基于机器学习的自动化鱼叉式网络钓鱼思路
- Weaponizing data science for social engineering: Automated E2E spear phishing on Twitter
用AI来做应用安全防护
- UBA/UEBA的资料收集和学习
- UEBA架构设计之路1：UEBA框架
- UEBA架构设计之路2：数据接入和准备
- UEBA架构设计之路3：复杂事件处理引擎
- UEBA如何在企业有效地应用与落地
- UEBA在企业安全领域应用的现状和挑战
- 浅析用户行为分析系统（UEBA）
- 机器学习算法在用户行为检测(UBA)领域
- 新一代数据安全的制胜法宝-UBA
- 干货｜用机器学习检测异常点击流
- 机器学习算法在用户行为检测(UBA)领域的应用
- 用递归神经网络检测WEB攻击
- Web安全检测中机器学习的经验之谈
- 干货 | 机器学习在web攻击检测中的应用实践
- 基于HMM的web异常参数检测
- 基于机器学习的攻击检测
- 使用Seq2Seq自动编码器检测Web攻击
- 基于机器学习的分布式webshell检测系统-特征工程（1）
- 兜哥基于机器学习的 Webshell 发现技术探索
- 深度学习PHP webshell查杀引擎demo
- 使用机器学习识别WebShell
- 基于机器学习的分布式Webshell检测系统
- 基于机器学习的Webshell发现技术探索
- 刘焱： Webshell 发现技术实战解析
- 安普诺张涛：再谈webshell检测
- 新开始:webshell的检测
- 基于机器学习的WebShell检测方法与实现(上)
- 初探机器学习检测PHP Webshell
- 基于KDDCUP 99数据集预测DDoS攻击
- 基于谱分析与统计机器学习的DDoS攻击检测技术研究
- 基于机器学习的分布式拒绝服务攻击检测方法研究
- DDoS Attacks Using Hidden Markov Models and Cooperative ReinforcementLearning*
- 机器学习实践-DGA检测
- 使用fasttext进行DGA检测
- 机器学习实践-DGA检测
- 使用深度学习检测DGA
- 机器学习与威胁情报的融合：一种基于AI检测恶意域名的方法
- https://github.com/surajr/URL-Classification
- 使用机器学习检测混淆的命令行
- 利用机器学习进行恶意代码分类
- 用机器学习检测Android恶意代码
- 恶意软件与数据分析
- Malware Detection in Executables Using Neural Networks
- 基于深度学习的恶意样本行为检测(含源码)
- 深度学习在恶意软件检测中的应用
- 用机器学习检测恶意PowerShell
- 用机器学习进行恶意软件检测——以阿里云恶意软件检测比赛为例
- 第二届微软恶意软件预测挑战赛初探
- IsThisLegit+Phinn：采用了机器学习算法的开源网络钓鱼防御与检测工具
- 王田峰.基于机器学习算法的钓鱼网站检测系统[D].东南大学， 2011.
逃逸攻击：
- 对深度学习的逃逸攻击 - 探究人工智能系统中的安全盲区
- 安全领域中机器学习的对抗和博弈
- 基础攻防场景下的AI对抗样本初探
- 手写数字识别的攻击
- 使用生成对抗网络(GAN)生成DGA
- 从安全视角对机器学习的部分思考
- 黑客入侵与机器学习沙箱逃逸
机器学习面临的数据污染问题。通过原理说明和代码实例，展示数据污染的特点和攻击效果。
- 如何利用AI对抗“数据污染”和”数据中毒“？
- 对抗数据中毒--机器学习在阿里巴巴网络安全的应用
- 三种特征向量对深度学习攻击检测的影响
- DEFCON CHINA议题解读| 对深度学习系统的数据流攻击
- 对深度学习的降维攻击 - 人工智能系统数据流中的安全风险
模型代码的漏洞挖掘和利用
FGSM算法：机器学习对抗算法中的FGSM算法。通过算法说明和代码实例，展示FGSM算法的特点和攻击效果。
- 网络安全与机器学习（一）：网络安全中的机器学习算法
- 网络安全与机器学习（二）：网络安全任务如何结合机器学习？
- 机器学习在安全攻防场景的应用与分析
- 2017年 AI安全风险白皮书
- 逻辑回归算法分析与安全场景分析
- 解决机器学习和安全运营之间的最后一公里问题
- 一文全面解读网络安全中的机器学习
1、Samples of Security Related Dats
2、DARPA Intrusion Detection Data Sets
5、Data Capture from National Security Agency
6、The ADFA Intrusion Detection Data Sets
9、Multi-Source Cyber-Security Events
10、Malware Training Sets: A machine learning dataset for everyone
- 网络安全中机器学习大合集
- 最终安全数据科学和机器学习指南
- Machine Learning for Cyber Security
- 404师傅的整理
- Awesome-AI-Security
- awesome-ml-for-cybersecurity
- Collection of Security and Network Data Resources
- The Definitive Security Data Science and Machine Learning Guide
- Deep Learning Security Papers
- iami师傅的整理
- 关于机器学习和安全的源代码
- 红日安全
- http://webber.tech/
- http://bindog.github.io
- https://www.cdxy.me
- https://iami.xyz
- https://www.zuozuovera.com/
- LittleHann师傅
- ReLuQ师傅
- 《web安全之机器学习入门》
- 《web安全之深度学习实战》
- 《web安全之强化学习与Gan》
- 《OReilly.Machine.Learning.and.Security》
- 《统计学习方法》
- 《恶意软件数据科学》
- 《安全专业人员智能介绍》
- 掌握机器学习渗透测试Mastering Machine Learning for Penetration Testing
实话说，计算机体系很大，除了语言、数据机构、算法之外，计算机体系结构、操作系统、网络、数据库等等领域庞大。但不管怎样，学习如何编写代码、如何编程是必备的。如何学习编程呢？学完数据结构、算法等知识后，如何提高编程能力呢？上LeetCode刷题成为很多人的不二之选。 推荐教程：python廖雪峰
数学是搞数据科学的必备基础，数学不扎实，机器学习里很多原理、推导、公式便无法理解透彻，比如单单一个SVM就涉及到求导、凸优化等数学知识。所以如果数学忘了，很有必要复习并重新扎实数学基础。 涵盖内容：微积分、数理统计与概率论、矩阵、凸优化 推荐书籍：数理统计学简史、矩阵分析与应用by张贤达、凸优化(Convex Optimization) 推荐课程：机器学习中的数学
python在当今的数据分析很热，广泛应用于金融、电商等领域的大数据分析，也非常适合数据工作者利用它处理数据，所以Python在数据领域应用越来越广泛。学习Python的几个机器学习工具——pandas，numpy，seaborn，sklearn。 推荐教程：《利用python进行数据分析》、《Python爬虫》
机器学习技术在很多领域应用广泛，包括在数据挖掘、搜索、推荐、广告、自然语言处理等等中。所以学好机器学习，是搞更多应用领域的前提条件。此外，学习机器学习，不单单只是学习一个个模型、算法就足够，因为实际的机器学习工作中，分析问题、处理数据、处理特征占绝大部分工作。所以不要以为看到一个课程涵盖许许多多的模型/算法就以为捡到了宝，看一个ML课程有没有工业实战，最快判断的标准之一是看它讲不讲以及是否能讲好特征工程、模型调优。 推荐书籍：PRML 推荐课程：吴恩达《机器学习》公开课
原课程地址：coursera.org/course/ml
https://www.coursera.org/learn/machine-learning/home/welcome
笔记：
https://github.com/fengdu78/Coursera-ML-AndrewNg-Notes
https://github.com/scruel/ML-AndrewNg-Notes
周志华西瓜书：
得益于计算机越发强大的计算能力，神经网络的加强版深度学习（权且容许我这么不专业的叫法）越发火热，从AlphaGo、无人驾驶再到最近的AlphaGo 2.0横扫中日韩顶级骑手，AI可谓出尽了风头，在这个人工智能与大数据的时代，不学点AI，都不好意思出门跟人打招呼说我是搞计算机技术的了。 推荐课程：吴恩达《深度学习》公开课
原课程地址：www.deeplearning.ai
笔记：
https://github.com/fengdu78/deeplearning_ai_books=http://www.ai-start.com/dl2017/ http://kyonhuang.top/Andrew-Ng-Deep-Learning-notes/#/ http://binweber.top/tags/ML/ https://zhuanlan.zhihu.com/p/35333489 http://dl-notes.imshuai.com/
1、纸上得来终觉浅、绝知此事要躬行。理论学习再多最终还是要实战。为降低门槛起见，你可以从做一个一个有趣的深度学习实验开始，比如学梵高作画、自动玩flappy bird等等。然后，在kaggle上多刷刷一些数据竞赛项目，学习特征工程和别人的代码。
2、学习大规模数据处理——spark hadoop storm
如果你是想做数据挖掘、计算机视觉、自然语言处理，可以继续学相关的课程。此外，很多经典最新论文值得一读。如果足够了，那就正式出山到实际江湖上闯一闯吧：找份工作，干一把！ 推荐公司：有资源、有数据的偏大一点的公司
https://pan.baidu.com/s/1k64FTLw1Gv87WbYqviM45Q#list/path=%2F提取密码：bs8w