内容简介
本书系统地介绍了基于深度学习的网络流量异常检测与隐私安全防护技术，涵盖理论、技术与应用实践。本书包括网络异常检测与隐私保护的概念、目标、特征、发展历程、关键技术、典型应用、面临的挑战及其与网络安全的关系；相关算法理论基础，如深度学习理论、协同学习理论和生成对抗网络理论；核心技术基础，包括大数据分析技术、神经网络模型技术和加密保护技术。本书还详细介绍了异常流量检测、误植域名识别、恶意域名检测和隐私防护技术，结合实际案例展示了这些技术在应对网络安全威胁中的作用。
本书可作为高等院校网络安全、人工智能、数据科学等专业的教材，也可供相关领域的教师、研究生、研究人员和技术人员参考，为应对复杂网络安全问题提供全面指导。
目录介绍
目录
第1章绪论1
1.1研究背景与研究意义1
1.2国内外研究现状4
1.2.1复杂场景下流量检测方案研究现状4
1.2.2恶意域名检测方案研究现状9
1.2.3深度学习的攻击模型研究现状19
1.3本书的主要研究内容22
1.4本书的组织结构24
第2章复杂场景下网络流量异常检测技术27
2.1引言27
2.2基于铰链分类算法的网络流量检测算法31
2.2.1铰链分类算法损失函数31
2.2.2铰链分类算法的优化方法33
2.2.3基于HCAMBGDALRM分析33
2.2.4并行HCAMBGDALRM框架38
2.3性能评估40
2.3.1训练样本41
2.3.2铰链分类算法优化41
2.3.3实验与分析43
本章小结47
第3章基于双向LSTM误植域名检测技术48
3.1引言48
3.2双向递归神经网络的层次结构52
3.3双向递归神经网络层次结构的性能58
3.3.1模型培训与评价指标58
3.3.2实验与分析59
本章小结63
基于深度学习的网络流量异常检测及隐私安全防护研究
｜目录｜
第4章基于URL嵌入的恶意域名检测技术64
4.1引言64
4.2URL嵌入的分布式表示67
4.2.1URL嵌入的架构67
4.2.2URL嵌入的算法68
4.3性能评估71
4.3.1数据集71
4.3.2实验与分析72
本章小结79
第5章基于协同深度学习的隐私安全防护技术80
5.1引言80
5.2攻击模型82
5.2.1协同深度学习82
5.2.2针对本地参数对CDL的攻击85
5.2.3针对全局参数对CDL的攻击88
5.3攻击模型训练相关探究88
5.3.1本地模型训练88
5.3.2全局模型训练91
5.4基于深度卷积生成对抗网络的隐私保护方法92
5.4.1系统架构92
5.4.2防护分析94
5.5实验与分析95
5.5.1数据集95
5.5.2实验与结果95
本章小结99
参考文献100