Awesome
AI-Security-Learning
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：2019/02/17
同步更新于： Mang0: AI-Security-Learning
[TOC]
机器学习与安全课程
AI应用攻击篇
用AI来做应用安全攻击
自动化渗透
验证码识别
自动化鱼叉式钓鱼攻击
- 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
自动化恶意软件样本生成
自动化漏洞挖掘
通过舆情分析和精准广告投放来影响政治事件
AI应用防御篇
用AI来做应用安全防护
UEBA
Web安全检测
检测web攻击
Webshell检测
- 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
XSS
弱口令
DDOS
- 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*
恶意url检测
DGA
- 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
恶意流量检测
恶意代码
- 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
钓鱼检测
- 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.
APT检测
业务安全检测
杂项
AI本身安全
AI模型安全
逃逸攻击：
AI框架安全
AI数据安全
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。
AI代码安全
模型代码的漏洞挖掘和利用
AI保护AI
攻击算法
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。
对抗样本
杂项
优秀Github推荐
Machine Learning for Cyber Security
优秀博客
优秀书籍
《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》
思考
学习机器学习
第一步：学习编程
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
第二步：扎实数学
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
第三步：掌握适合数据科学的Python
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。 推荐教程：《利用python进行数据分析》、《Python爬虫》
第四步：开始学习机器学习
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
第五步：再进一步之学习DL
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
第六步：做实验及上kaggle实战
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
第七步：实习或工作
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
推荐文章
资源
https://pan.baidu.com/s/1k64FTLw1Gv87WbYqviM45Q#list/path=%2F提取密码：bs8w