Безопасность сетевых приложений

Оглавление

Введение

1. Тенденции развития и использования искусственного интеллекта в информационной безопасности
1.1. Применение технологий искусственного интеллекта в информационной безопасности
1.2. Подходы и направления развития искусственного интеллекта
1.2.1. Тенденции развития ИИ
1.2.2. Автоматическая обработка текстов на естественном языке (NLP)
1.3. Машинное обучение
1.3.1. Методы машинного обучения
1.3.2. Классификация
1.3.3. Кластеризация
1.3.4. Метрики оценки эффективности методов машинного обучения
1.4. Классификация текстов
1.4.1. Постановка задачи классификации текста
1.4.2. Этапы классификации
1.4.3. Индексация и предобработка документа
1.4.4. Извлечение термов
1.4.5. Взвешивание термов с использованием статистических мер
1.4.6. Взвешивание термов с использованием графа термов
1.4.7. Этапы классификации текстов
1.4.8. Методы перевода текста в пространство признаков
1.4.9. Методы и технологии перевода слова в вектор фиксированной длины
1.5. Построение и обучение классификаторов текста с помощью методов машинного обучения
1.5.1. Методы классификации
1.5.2. Метод опорных векторов
1.6. Классификация текстов на основе искусственных нейронных сетей
1.6.1. Нейронные сети прямого распространения
1.6.2. Рекуррентные нейронные сети
1.6.3. Нейронные сети, использующие архитектуру LSTM
1.6.4. Управляемые рекуррентные блоки
1.6.5. Сверточные нейронные сети
1.6.6. Использование сверточной нейронной сети для классификации текстов
1.7. Оценка качества классификации текста
1.7.1. Метрики
1.7.2. Способы повышения точности классификации текста
Литература

2. Информационная безопасность социальных сетей
2.1. Социальные сети и методы обеспечения их безопасности
2.1.1. Общая характеристика социальных сетей
2.1.2. «Спам». Типы и способы распространения в социальных сетях
2.1.3. Основные места локации распространения спама в Интернете
2.2. Обнаружение вредоносного спама в социальных сетях
2.2.1. Техники, применяемые спамерами в социальных сетях
2.2.2. Методы обнаружения спама
2.3. Обнаружение спама на примере социальной сети «ВКонтакте»
2.3.1. Политика социальной сети «ВКонтакте» относительно спама
2.3.2. Алгоритм обработки
2.4. Обнаружение спама в социальной сети Twitter
2.4.1. Техники, применяемые спамерами в Twitter
2.4.2. Политика Twitter относительно спама
2.4.3. Математическая постановка задачи
2.4.4. Признаки используемые для обнаружения спама
2.4.5. Набор данных
2.4.6. Используемые классификаторы
2.5. Социальные боты
2.5.1. Основные понятия
2.5.2. Использование ботов для распространения спама
2.6. Обнаружение бот-профилей в социальных сетях
2.6.1. Цифровая ДНКи методы ее вычисления
2.6.2. Способы обнаружения бот-профилей в социальных сетях
2.6.3. Индексы, методы и меры разнообразия
2.6.4. Использование цифровой ДНКд ля обнаружения ботпрофилей в социальных сетях
2.7. Обнаружение и перехват управления ботнетами
2.8. Эмоциональная окраска сообщений в социальных сетях
2.8.1. Общие сведения об эмоциональном анализе
2.8.2. Подходы к классификации тональности
2.8.3. Число классов эмоциональной окраски
2.8.4. Выбор признаков
2.8.5. Математическая постановка задачи эмоциональной окраски
2.9. Пример реализации алгоритма вычисления эмоциональной окраски комментариев в Instagram
Литература

3. Защита рекомендательных систем
3.1. Общие сведения и описание рекомендательных системах
3.2. Виды рекомендательных систем
3.3. Алгоритмы рекомендательных систем
3.3.1. Матрицы предпочтений
3.3.2. Алгоритм Summary-based
3.3.3. Кластеризация пользователей
3.3.4. Рекомендация на основе пользователей
3.3.5. Рекомендация на основе объектов
3.3.6. Сравнительный анализ методов
3.4. Конфиденциальность рекомендательных систем
3.5. Атаки на рекомендательные системы
3.6. Традиционные методы обнаружения атак на рекомендательные системы
3.6.1. Статистический метод обнаружения шиллинг-атак
3.6.2. Отслеживание статистики
3.6.3. Контрольная граница
3.6.4. Контрольная граница доверительного интервала
3.6.5. Обнаружение интервала времени
3.6.6. Гибридные двухфазные алгоритмы обнаружения (RDTIA)
3.6.7. Метод оценки правдоподобия пользователей и временных рядов
3.6.8. Метод оценки правдоподобия пользователей и временных рядов
3.6.9. Обнаружение подозрительных временных интервалов
3.7. Защита от атак на рекомендательные системы с использованием интеллектуальных подходов
3.7.1. Способы защиты
3.7.2. Аутентификация пользователя
3.7.3. Алгоритмы фильтрации
3.8. Реализация алгоритма обнаружения атакующих профилей на основе алгоритма кластеризации
3.8.1. Структура алгоритма обнаружения
3.8.2. Подготовка исходных данных
3.8.3. Тестирование алгоритма
3.8.4. Численная оценка качества алгоритма выявления атак
Литература

4. Мониторинг аномального поведения компьютерных сетей средствами интеллектуального анализа данных системных журналов
4.1. Автоматизация анализа логов для обнаружения аномального поведения КС
4.2. Этапы обнаружения аномалий на основе анализа логов
4.2.1. Этап «Парсинг логов»
4.2.2. Этап «Извлечение признаков»
4.2.3. Этап «Обнаружение аномалий»
4.2.4. Показатели оценки эффективности работы алгоритма
4.3. Реализация алгоритмов мониторинга. Структура исследуемой сетевой инфраструктуры
4.4. Результаты бинарной классификации аномальных состояний с использованием скользящего окна
4.5. Мультиклассовая классификация аномальных состояний компьютерных сетей
4.5.1. Структура данных
4.5.2. Извлечение признаков из сообщений
4.5.3. Оценка эффективности определения типа события для задачи бинарной классификации
4.5.4. Оценка эффективности определения типа события для задачи мультиклассовой классификации
4.5.5. Двухэтапные алгоритмы принятия решения
4.6. Выводы
Литература