Machine learning et sécurité : protection des systèmes par les données et les algorithmes
La 4e de couv. indique : "Les techniques d'apprentissage machine (machine learning) peuvent-elles résoudre nos problèmes de sécurité informatique et mettre enfin un terme au jeu du chat et de la souris entre attaquants et défenseurs ? Ou bien cet espoir est-il vain ? Vous allez enfin pouvo...
সংরক্ষণ করুন:
| প্রধান লেখক: | , |
|---|---|
| অন্যান্য লেখক: | |
| বিন্যাস: | Livre papier |
| ভাষা: | Français |
| প্রকাশিত: |
Paris :
First interactive
DL 2019.
|
| বিষয়গুলি: | |
| Autres localisations: | Voir dans le Sudoc |
| LEADER | 10434nam a22002657a 4500 | ||
|---|---|---|---|
| 001 | 697184 | ||
| 008 | 190220t20192019xxe ||| |||| 00| 0 fre d | ||
| 009 | PPN234143576 | ||
| 020 | |a 9782412043561 (br.) : |c 39 EUR | ||
| 024 | |a 9782412043561 | ||
| 041 | 1 | |a fre |h eng |f fre | |
| 082 | |a 006.31 |z fre | ||
| 100 | 1 | |a Chio, Clarence. | |
| 245 | 1 | 0 | |a Machine learning et sécurité : |b protection des systèmes par les données et les algorithmes |c Clarence Chio et David Freeman ; [traduction de l'anglais, Daniel Rougé]. |
| 260 | |a Paris : |b First interactive, |c DL 2019. | ||
| 300 | |a 1 vol. (XIV-385 p.) : |b ill., graph., tabl., fig., couv. ill. ; |c 23 cm. | ||
| 504 | |a Notes bibliogr. Index | ||
| 505 | 0 | |a P. ix -- Introduction -- P. x -- Qu'y a-t-il dans ce livre ? -- P. x -- À qui s'adresse ce livre ? -- P. xi -- Conventions utilisées dans ce livre -- P. xii -- Utiliser les exemples de code -- P. 1 -- 1. Pourquoi l'apprentissage automatique et la sécurité ? -- P. 3 -- Le paysage des cybermenaces -- P. 7 -- L'économie des cybercriminels -- P. 7 -- Un marché pour les compétences en piratage informatique -- P. 8 -- Monétisation indirecte -- P. 9 -- Résultat... -- P. 9 -- Qu'est-ce que l'apprentissage automatique ? -- P. 11 -- Ce que l'apprentissage automatique n'est pas -- P. 12 -- L'apprentissage automatique et les cybercriminels -- P. 13 -- Utilisations de l'apprentissage automatique concernant la sécurité dans le monde réel -- P. 15 -- Lutte contre les spams : une approche itérative -- P. 25 -- Limites de l'apprentissage automatique pour la sécurité -- P. 27 -- 2. Classification et clustering -- P. 27 -- Apprentissage automatique : problèmes et approches -- P. 29 -- L'apprentissage automatique en pratique : un exemple concret -- P. 35 -- Apprendre aux algorithmes à apprendre -- P. 35 -- Familles de modèles -- P. 38 -- Fonctions de perte -- P. 39 -- Optimisation -- P. 42 -- Algorithmes de classification supervisés -- P. 43 -- Régression logistique -- P. 45 -- Arbres de décision -- P. 48 -- Forêts de décision -- P. 51 -- Séparateurs à vaste marge -- P. 53 -- Bayésien naïf -- P. 55 -- k plus proches voisins -- P. 57 -- Réseaux de neurones -- P. 59 -- Considérations pratiques en matière de classification -- P. 59 -- Choix d'une famille de modèles -- P. 60 -- Construction des données d'apprentissage -- P. 63 -- Sélection des caractéristiques -- P. 65 -- Surapprentissage et sous-apprentissage -- P. 67 -- Choisir des seuils et comparer des modèles -- P. 69 -- Clustering -- P. 69 -- Algorithmes de clustering -- P. 78 -- DBSCAN -- P. 79 -- Évaluer les résultats du clustering -- P. 82 -- Conclusion -- P. 83 -- 3. Détection des anomalies -- P. 85 -- Quand utiliser la détection des anomalies plutôt que l'apprentissage supervisé ? -- P. 85 -- Détection d'intrusion avec des techniques heuristiques -- P. 87 -- Méthodes pilotées par les données -- P. 90 -- Ingénierie des caractéristiques pour la détection des anomalies -- P. 91 -- Détection d'intrusions au niveau de l'hôte -- P. 94 -- Détection d'intrusions au niveau du réseau -- P. 97 -- Détection d'intrusion d'application Web -- P. 99 -- En résumé -- P. 99 -- Détection des anomalies à l'aide de données et d'algorithmes -- P. 101 -- Prévision (apprentissage automatique supervisé) -- P. 112 -- Métriques statistiques -- P. 114 -- Qualité de l'ajustement -- P. 119 -- Algorithmes d'apprentissage automatique non supervisés -- P. 124 -- Méthodes fondées sur la densité -- P. 126 -- En résumé -- P. 127 -- Les défis de l'utilisation de l'apprentissage automatique dans la détection des anomalies -- P. 128 -- Intervention et mesures d'atténuation -- P. 130 -- Préoccupations relatives à la conception pratique du système -- P. 130 -- Optimiser pour l'explicabilité -- P. 131 -- Maintenance des systèmes de détection des anomalies -- P. 131 -- Intégrer la rétroaction humaine -- P. 132 -- Atténuer les effets antagonistes -- P. 132 -- Conclusion -- P. 133 -- 4. Analyser les logiciels malveillants -- P. 134 -- Comprendre les malwares -- P. 136 -- Définir la classification des malwares -- P. 140 -- Dans les coulisses des malwares -- P. 154 -- Génération de caractéristiques -- P. 155 -- Collecte des données -- P. 157 -- Générer des caractéristiques -- P. 181 -- Sélection de caractéristiques -- P. 185 -- Des caractéristiques à la classification -- P. 188 -- Comment obtenir des échantillons et des étiquettes de malwares -- P. 189 -- Conclusion -- P. 191 -- 5. Analyser le trafic réseau -- P. 193 -- Théorie de la défense réseau -- P. 193 -- Contrôle d'accès et authentification -- P. 194 -- Détection d'intrusion -- P. 195 -- Détecter des attaquants dans le réseau -- P. 195 -- Sécurité centrée sur les données -- P. 196 -- Honeypots -- P. 197 -- En résumé -- P. 197 -- Apprentissage automatique et sécurité réseau -- P. 197 -- Des captures aux caractéristiques -- P. 203 -- Menaces dans le réseau -- P. 207 -- Les botnets et vous -- P. 214 -- Construire un modèle prédictif pour classifier les attaques réseau -- P. 216 -- Explorer les données -- P. 221 -- Préparation des données -- P. 225 -- Classification -- P. 227 -- Apprentissage supervisé -- P. 234 -- Apprentissage semi-supervisé -- P. 235 -- Apprentissage non supervisé -- P. 240 -- Méthodes d'ensemble -- P. 246 -- Conclusion -- P. 247 -- 6. Protéger le Web grand public -- P. 248 -- Monétiser le Web grand public -- P. 249 -- Les types d'abus et les données qui peuvent les arrêter -- P. 249 -- Authentification et piratage de compte -- P. 256 -- Création de compte -- P. 262 -- Fraude financière -- P. 265 -- Activité des bots -- P. 270 -- Apprentissage supervisé en matière d'agressions -- P. 270 -- Étiqueter les données -- P. 272 -- Démarrage à froid contre démarrage à chaud -- P. 272 -- Faux positifs et faux négatifs -- P. 273 -- Réponses multiples -- P. 274 -- Attaques de grande ampleur -- P. 274 -- Clustering et abus -- P. 275 -- Exemple : clustering et domaines de spam -- P. 277 -- Générer des clusters -- P. 282 -- Noter les clusters -- P. 288 -- Autres orientations pour le clustering -- P. 289 -- Conclusion -- P. 291 -- 7. Systèmes de production -- P. 291 -- Définir la maturité et l'évolutivité d'un système d'apprentissage automatique -- P. 293 -- Qu'est-ce qui est important pour les systèmes d'apprentissage automatique de sécurité ? -- P. 293 -- Qualité des données -- P. 294 -- Problème : biais dans les jeux de données -- P. 295 -- Problème : inexactitude des étiquettes -- P. 296 -- Solutions : qualité des données -- P. 297 -- Problème : données manquantes -- P. 298 -- Solutions : données manquantes -- P. 301 -- Qualité du modèle -- P. 302 -- Problème : optimisation des hyperparamètres -- P. 303 -- Solutions : optimisation des hyperparamètres -- P. 307 -- Bon à savoir : boucles de rétroaction, test A/B des modèles -- P. 311 -- Bon à savoir : résultats reproductibles et explicables -- P. 315 -- Performances -- P. 316 -- Objectif : faible latence, haute évolutivité -- P. 317 -- Optimisation des performances -- P. 319 -- Calcul distribué et passage à l'échelle -- P. 324 -- Utiliser les services du cloud -- P. 326 -- Maintenabilité -- P. 327 -- Problème : points de contrôle, gestion des versions et déploiement des modèles -- P. 328 -- Objectif : dégradation gracieuse (ou élégante) -- P. 329 -- Objectif : facilité de mise au point et de configuration -- P. 329 -- Monitoring et alerte -- P. 331 -- Sécurité et fiabilité -- P. 331 -- Bon à savoir : robustesse dans des contextes de conflit -- P. 332 -- Bon à savoir : sauvegardes et garanties pour la confidentialité des données -- P. 333 -- Rétroaction et facilité d'utilisation -- P. 334 -- Conclusion -- P. 335 -- 8. Apprentissage automatique antagoniste -- P. 336 -- Terminologie -- P. 337 -- De l'importance de l'apprentissage automatique antagoniste -- P. 338 -- Vulnérabilités de sécurité dans les algorithmes d'apprentissage automatique -- P. 341 -- Transférabilité des attaques -- P. 342 -- Technique d'attaque : empoisonnement du modèle -- P. 345 -- Exemple : attaque d'empoisonnement sur un classifieur binaire -- P. 351 -- Connaissances de l'attaquant -- P. 352 -- Défenses contre les attaques d'empoisonnement -- P. 354 -- Technique d'attaque : attaque d'évasion -- P. 355 -- Exemple : attaque d'évasion sur un classifieur binaire -- P. 360 -- Se défendre contre les attaques d'évasion -- P. 361 -- Conclusion -- P. 363 -- A. Compléments pour le Chapitre 2 -- P. 363 -- Plus sur les métriques -- P. 364 -- Taille des modèles de régression logistique -- P. 365 -- Implémenter la fonction de coût pour la régression logistique -- P. 366 -- Minimiser la fonction de coût -- P. 371 -- B. Intégrer l'Open Source Intelligence -- P. 371 -- Flux de renseignements de sécurité -- P. 373 -- Géolocalisation -- P. 375 -- Index | |
| 520 | |a La 4e de couv. indique : "Les techniques d'apprentissage machine (machine learning) peuvent-elles résoudre nos problèmes de sécurité informatique et mettre enfin un terme au jeu du chat et de la souris entre attaquants et défenseurs ? Ou bien cet espoir est-il vain ? Vous allez enfin pouvoir vous plonger dans les faits scientifiques et répondre à cette question par vous- même ! Grâce à ce guide pratique, vous explorerez de multiples façons d'appliquer l'apprentissage machine à des questions de sécurité telles que la détection des intrusions, la classification des logiciels malveillants et l'analyse des réseaux. Les auteurs de ce livre, experts de l'apprentissage machine et de la sécurité, fournissent un cadre permettant de discuter des liens entre ces deux domaines, ainsi qu'une boîte à outils d'algorithmes d'apprentissage automatique que vous pouvez appliquer à toute une série de problèmes de sécurité. Ce livre est un outil idéal pour les ingénieurs spécialisés en sécurité ainsi que pour les data scientists." | ||
| 650 | |a Apprentissage automatique | ||
| 650 | |a Systèmes informatiques |x Mesures de sûreté | ||
| 700 | 1 | |a Freeman, David. |4 aut | |
| 700 | 1 | |a Rougé, Daniel, |d 1952- |4 trl | |
| 765 | 0 | |t Machine learning and security |d cop. 2018 | |
| 997 | |0 697184 |1 Livre papier |a Ressource papier |c 0/Orléans/ |c 1/Orléans/BU Sciences, Technologies, STAPS/ |z Orléans, BU Sciences, Technologies, STAPS, 006.31 CHI | ||