دانلود کتاب Machine Learning for Cybersecurity Cookbook: Over 80 recipes on how to implement machine learning algorithms for building security systems using Python (به فارسی: کتاب آشپزی ماشین یادگیری برای امنیت سایبری: بیش از 80 دستور العمل در مورد نحوه پیاده سازی الگوریتم های یادگیری ماشین برای ساختن سیستم های امنیتی با استفاده از پایتون) نوشته شده توسط «Emmanuel Tsukerman»
اطلاعات کتاب کتاب آشپزی ماشین یادگیری برای امنیت سایبری: بیش از 80 دستور العمل در مورد نحوه پیاده سازی الگوریتم های یادگیری ماشین برای ساختن سیستم های امنیتی با استفاده از پایتون
موضوع اصلی: کامپیوتر – علوم کامپیوتر
نوع: کتاب الکترونیکی
ناشر: Packt Publishing
نویسنده: Emmanuel Tsukerman
زبان: english
فرمت کتاب: PDF (قابل تبدیل به سایر فرمت ها)
سال انتشار: 2019
تعداد صفحه: 346 / 338
حجم فایل: 50.15 مگابایت
کد کتاب: 1789614678 , 9781789614671
نوبت چاپ: 1
توضیحات کتاب کتاب آشپزی ماشین یادگیری برای امنیت سایبری: بیش از 80 دستور العمل در مورد نحوه پیاده سازی الگوریتم های یادگیری ماشین برای ساختن سیستم های امنیتی با استفاده از پایتون
بیاموزید که چگونه از هوش مصنوعی مدرن برای ایجاد راه حل های امنیت سایبری قدرتمند برای بدافزار، پنتستینگ، مهندسی اجتماعی، حریم خصوصی داده ها و تشخیص نفوذ استفاده کنید
ویژگی های کلیدی
• برای محافظت از سیستم خود با استفاده از اکوسیستم پایتون
داده هایی با پیچیدگی های متفاوت را مدیریت کنید
• استفاده از ML برای pentesting، بدافزار، حریم خصوصی داده ها، سیستم تشخیص نفوذ (IDS) و مهندسی اجتماعی
• گردش کار روزانه خود را با پرداختن به چالش های امنیتی مختلف با استفاده از دستور العمل های ارائه شده در کتاب به صورت خودکار انجام دهید
توضیحات کتاب
امروزه سازمان ها از نظر امنیت سایبری با یک تهدید بزرگ از URL های مخرب گرفته تا استفاده مجدد از اعتبار روبرو هستند و داشتن سیستم های امنیتی قوی می تواند تفاوت را ایجاد کند. با این کتاب، نحوه استفاده از کتابخانه‌های پایتون مانند TensorFlow و scikit-learn را برای پیاده‌سازی جدیدترین تکنیک‌های هوش مصنوعی (AI) و مدیریت چالش‌هایی که محققان امنیت سایبری با آن روبرو هستند، خواهید آموخت.
شما با بررسی تکنیک‌ها و نکات مختلف یادگیری ماشین (ML) برای راه‌اندازی یک محیط آزمایشگاهی ایمن شروع خواهید کرد. در مرحله بعد، الگوریتم های کلیدی ML مانند خوشه بندی، تقویت گرادیان، جنگل تصادفی و XGBoost را پیاده سازی خواهید کرد. این کتاب شما را در ساخت طبقه‌بندی‌کننده‌ها و ویژگی‌های بدافزار راهنمایی می‌کند، که آنها را آموزش داده و بر روی نمونه‌های واقعی آزمایش خواهید کرد. همانطور که پیشرفت می کنید، سیستم های خودآموز و متکی برای انجام وظایف امنیت سایبری مانند شناسایی URL های مخرب، شناسایی ایمیل های هرزنامه، تشخیص نفوذ، حفاظت از شبکه، و ردیابی رفتار کاربر و فرآیند ایجاد خواهید کرد. بعداً، شبکه‌های متخاصم (GAN) و رمزگذارهای خودکار را برای کارهای امنیتی پیشرفته اعمال خواهید کرد. در نهایت، برای محافظت از حقوق حریم خصوصی مصرف‌کنندگانی که از مدل‌های ML خود استفاده می‌کنند، به هوش مصنوعی امن و خصوصی می‌پردازید.
در پایان این کتاب، شما مهارت‌هایی را خواهید داشت که برای مقابله با مشکلات دنیای واقعی در حوزه امنیت سایبری با استفاده از رویکرد مبتنی بر دستور العمل نیاز دارید.
آنچه خواهید آموخت
• یاد بگیرید که چگونه طبقه بندی کننده های بدافزار بسازید تا فعالیت های مشکوک را شناسایی کنید
• از ML برای تولید بدافزار سفارشی برای بررسی امنیت خود استفاده کنید
• از الگوریتم های ML با مجموعه داده های پیچیده برای پیاده سازی مفاهیم امنیت سایبری استفاده کنید
• ایجاد شبکه های عصبی برای شناسایی فیلم ها و تصاویر جعلی
• سازمان خود را از یکی از محبوب ترین تهدیدها – تهدیدات داخلی
ایمن کنید
• با ساختن یک سیستم تشخیص ناهنجاری از تهدیدات روز صفر دفاع کنید
• با ترکیب Metasploit و ML به طور موثر آسیب پذیری های وب را شناسایی کنید
• درک نحوه آموزش یک مدل بدون افشای داده های آموزشی
این کتاب برای چه کسانی است
این کتاب برای متخصصان امنیت سایبری و محققان امنیتی است که به دنبال پیاده‌سازی جدیدترین تکنیک‌های یادگیری ماشینی برای تقویت امنیت رایانه و کسب بینش در مورد ایمن‌سازی سازمان با استفاده از تیم قرمز و آبی ML هستند. این کتاب مبتنی بر دستور العمل همچنین برای دانشمندان داده و توسعه دهندگان یادگیری ماشینی که می خواهند با تکنیک های هوشمند در حوزه امنیت سایبری آزمایش کنند مفید خواهد بود. دانش برنامه نویسی پایتون و آشنایی با اصول امنیت سایبری به شما کمک می کند تا از این کتاب بیشترین بهره را ببرید.
Key Features
• Manage data of varying complexity to protect your system using the Python ecosystem
• Apply ML to pentesting, malware, data privacy, intrusion detection system(IDS) and social engineering
• Automate your daily workflow by addressing various security challenges using the recipes covered in the book
Book Description
Organizations today face a major threat in terms of cybersecurity, from malicious URLs to credential reuse, and having robust security systems can make all the difference. With this book, you’ll learn how to use Python libraries such as TensorFlow and scikit-learn to implement the latest artificial intelligence (AI) techniques and handle challenges faced by cybersecurity researchers.
You’ll begin by exploring various machine learning (ML) techniques and tips for setting up a secure lab environment. Next, you’ll implement key ML algorithms such as clustering, gradient boosting, random forest, and XGBoost. The book will guide you through constructing classifiers and features for malware, which you’ll train and test on real samples. As you progress, you’ll build self-learning, reliant systems to handle cybersecurity tasks such as identifying malicious URLs, spam email detection, intrusion detection, network protection, and tracking user and process behavior. Later, you’ll apply generative adversarial networks (GANs) and autoencoders to advanced security tasks. Finally, you’ll delve into secure and private AI to protect the privacy rights of consumers using your ML models.
By the end of this book, you’ll have the skills you need to tackle real-world problems faced in the cybersecurity domain using a recipe-based approach.
What you will learn
• Learn how to build malware classifiers to detect suspicious activities
• Apply ML to generate custom malware to pentest your security
• Use ML algorithms with complex datasets to implement cybersecurity concepts
• Create neural networks to identify fake videos and images
• Secure your organization from one of the most popular threats – insider threats
• Defend against zero-day threats by constructing an anomaly detection system
• Detect web vulnerabilities effectively by combining Metasploit and ML
• Understand how to train a model without exposing the training data
Who this book is for
This book is for cybersecurity professionals and security researchers who are looking to implement the latest machine learning techniques to boost computer security, and gain insights into securing an organization using red and blue team ML. This recipe-based book will also be useful for data scientists and machine learning developers who want to experiment with smart techniques in the cybersecurity domain. Working knowledge of Python programming and familiarity with cybersecurity fundamentals will help you get the most out of this book.
