目录
第一部分人工智能的安全观

第1章人工智能安全概述

1.1什么是人工智能安全

1.2人工智能安全问题与脆弱性

1.2.1人工智能及其安全问题的出现

1.2.2人工智能安全的层次结构

1.2.3人工智能的脆弱性

1.3人工智能安全的基本属性

1.4人工智能安全的技术体系

1.4.1人工智能安全的数据处理

1.4.2人工智能用于网络安全攻击与防御

1.4.3人工智能对抗攻击与防御

1.4.4机器学习隐私攻击与保护

1.4.5人工智能安全治理技术

1.4.6人工智能平台安全

1.5人工智能安全的数学基础

1.6人工智能安全的相关法律与规范

1.7人工智能安全的发展趋势

第二部分人工智能安全的数据处理

第2章非平衡数据分类

2.1数据非平衡现象与影响

2.2非平衡数据分类方法

2.2.1数据欠采样

2.2.2数据过采样

2.2.3数据组合采样

2.2.4特征层的不平衡数据分类

2.2.5算法层的非平衡数据分类

2.3非平衡数据分类方法的实现

第3章噪声数据处理

3.1噪声的分类、产生原因与影响

3.2噪声处理的理论与方法

3.3基于数据清洗的噪声过滤

3.4主动式噪声迭代过滤

3.5噪声鲁棒模型

3.5.1错误样本权重调整

3.5.2损失函数设计

第4章小样本学习方法

4.1小样本学习基础

4.1.1小样本学习的类型

4.1.2小样本学习与其他机器学习的关系

4.1.3小样本学习的PAC理论

4.1.4小样本学习方法体系

4.2小样本的数据增强方法

4.3基于模型的小样本学习

4.3.1多任务学习

4.3.2嵌入学习

4.3.3生成式模型

4.4基于算法的小样本学习

4.5小样本学习的相关资源






第三部分人工智能用于网络安全的攻击与防御

第5章基于机器学习的安全检测

5.1网络入侵检测

5.1.1概述

5.1.2数据集

5.1.3数据预处理

5.1.4特征工程

5.1.5在天池AI平台上的开发

5.1.6入侵检测的棘手问题

5.2SQL注入检测

5.2.1概述

5.2.2SQL注入方法

5.2.3SQL注入的检测方法

5.2.4SQL语句的特征提取

5.2.5在天池AI平台上的开发

5.3虚假新闻检测

5.3.1概述

5.3.2基于统计学习的检测

5.3.3基于多任务学习的检测

5.3.4有待人工智能解决的问题

第6章攻击与防御的智能技术

6.1概述

6.2攻击图简介

6.2.1攻击图的基本概念

6.2.2攻击图生成方法

6.2.3攻击图的计算任务

6.3基于图论的方法

6.3.1图的路径算法

6.3.2图节点排序算法

6.4基于贝叶斯网络的方法

6.5基于马尔可夫理论的方法

6.5.1马尔可夫链

6.5.2马尔可夫决策过程

6.5.3隐马尔可夫模型

6.5.4部分可观测马尔可夫决策过程

6.6基于博弈论的方法

6.7攻击图智能技术的发展趋势

第四部分人工智能模型的对抗攻击与防御

第7章机器学习系统的攻击者

7.1从垃圾邮件检测谈起

7.2机器学习系统的漏洞

7.3攻击者及其目的

7.4知识及攻击者能力

7.4.1知识

7.4.2攻击者能力

7.5攻击者的代价与收益

7.6攻击行为与分类

7.6.1攻击行为

7.6.2攻击行为分类

第8章对抗攻击的理论与方法

8.1对抗样本与方法

8.1.1对抗样本及其存在性

8.1.2对抗样本生成方法概述

8.2对抗样本生成方法

8.2.1基于梯度的方法

8.2.2基于优化的方法

8.2.3ZOO对抗样本生成

8.2.4决策树对抗样本生成

8.2.5普适扰动对抗样本生成

8.2.6基于生成对抗网络的生成方法

第9章典型的对抗攻击方法

9.1投毒攻击

9.1.1投毒攻击场景

9.1.2投毒攻击的原理

9.1.3基于天池AI的SVM投毒实现

9.1.4手写数字分类器的投毒

9.2后门攻击

9.3逃避攻击

9.3.1逃避攻击场景

9.3.2逃避攻击原理

9.3.3手写数字识别的逃避攻击

9.4迁移攻击

9.5自然语言对抗样本生成

9.5.1自然语言对抗攻击的场景

9.5.2文本情感分类的逃避攻击

9.5.3原文本的对抗样本生成

9.5.4伪文本生成

9.6口令对抗网络样本生成

9.6.1PassGAN设计原理

9.6.2PassGAN的应用

第10章机器学习系统的隐私安全

10.1概述

10.2机器学习模型的隐私

10.3隐私保护技术基础

10.3.1隐私及其度量

10.3.2匿名化及其攻击

10.3.3差分隐私

10.3.4同态加密

10.4大数据隐私攻击与保护

10.4.1关系型数据隐私保护

10.4.2位置隐私保护

10.4.3社交网络隐私保护

10.5隐私计算架构

10.5.1安全多方计算

10.5.2联邦学习

10.6典型应用中的隐私保护

10.6.1LBS推荐中的隐私保护

10.6.2苹果手机中的差分隐私

第11章聚类模型的攻击

11.1聚类攻击场景

11.2聚类算法的攻击模型

11.2.1攻击者的目标

11.2.2攻击者的知识

11.2.3攻击者的能力

11.2.4攻击方式

11.2.5攻击性能评价

11.3聚类算法的攻击方法

11.3.1桥接攻击

11.3.2扩展攻击

11.4天池AI上的聚类攻击实现

11.4.1桥接攻击

11.4.2扩展攻击

第12章对抗攻击的防御方法

12.1防御技术概况

12.2数据层的防御

12.3模型层

12.3.1正则化

12.3.2蒸馏网络

12.4算法层的防御

12.4.1对抗训练

12.4.2防御蒸馏

12.4.3算法鲁棒性增强

第五部分人工智能平台的安全与工具

第13章机器学习平台的安全

13.1机器学习平台漏洞

13.1.1机器学习平台自身的漏洞

13.1.2依赖库漏洞

13.2TensorFlow的模型安全

13.2.1TensorFlow的模型机制与使用

13.2.2TensorFlow的模型风险与攻击

13.2.3安全措施

第14章阿里云天池AI学习平台与实验

14．1阿里云天池AI学习平台

14．2本书实训案例介绍

14．3配置与使用

14．3．1Adversarial Robustness Toolbox

14．3．2使用方法

14．4实验案例的说明