安全场景、基于AI的安全算法和安全数据分析学习笔记（偏工程类学习笔记），持续阅读，保持对业界技术的跟进和迭代
项目地址：https://github.com/404notf0und/AI-for-Security-Learning
最近更新日期为：2018/04/08
新增（正在学习）：
- Weaponizing data science for social engineering: Automated E2E spear phishing on Twitter
- Deep Exploit: Fully automatic penetration test tool using Machine Learning
- GyoiThon: Fully automatic penetration test tool using Machine Learning
- 从安全视角对机器学习的部分思考
- ExecScent: Mining for New C&C Domains in Live Networks with Adaptive Control Protocol Templates
- CNN+BLSTM+CTC的验证码识别从训练到部署
- RSAC 2019 | 机器学习算法分析引擎助力安全威胁推理分析
- RSAC 2019 | 采用NLP机器学习来进行自动化合规风险治理
- 一个关于人工智能渗透测试分析系列
- Generating Adversarial Malware Examples for Black-Box Attacks Based on GAN
同步更新于：404 Not Found：AI for Security
目录：
- 深度学习在恶意软件检测中的应用
- 恶意软件与数据分析
- 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
- 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)
- 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
- 利用机器学习检测HTTP恶意外连流量
- ExecScent: Mining for New C&C Domains in Live Networks with Adaptive Control Protocol Templates
- MADE: Security Analytics for Enterprise Threat Detection
- 机器学习在互联网巨头公司实践
- 基于机器学习的web异常检测
- 基于大数据和机器学习的Web异常参数检测系统Demo实现
- 基于机器学习的web应用防火墙
- LSTM识别恶意HTTP请求
- 基于URL异常检测的机器学习模型mini部署
- 我的AI安全检测学习笔记（一）
- 基于机器学习的分布式webshell检测系统-特征工程（1）
- 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
- 机器学习在WindowsRDP版本和后门检测上的应用
- 用机器学习检测恶意PowerShell
- 机器学习算法在用户行为检测(UBA)领域的应用
- 利用机器学习和规则实现弱口令检测
- 一个关于人工智能渗透测试分析系列
- AI与Android漏洞挖掘的那些事儿
- AI与安全的恩怨情仇五部曲「1」Misuse AI
- 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
- Deep Exploit: Fully automatic penetration test tool using Machine Learning
- GyoiThon: Fully automatic penetration test tool using Machine Learning
- CNN+BLSTM+CTC的验证码识别从训练到部署
- Generating Adversarial Malware Examples for Black-Box Attacks Based on GAN
- 安全领域中机器学习的对抗和博弈
- 基础攻防场景下的AI对抗样本初探
- 机器学习在安全攻防场景的应用与分析
- 使用生成对抗网络(GAN)生成DGA
- 详解如何使用Keras实现Wassertein GAN
- Is attacking machine learning easier than defending it?
- 对深度学习的逃逸攻击 ——探究人工智能系统中的安全盲区
- NLP机器学习模型安全性及实践
- 机器学习对抗性攻击报告
- 从安全视角对机器学习的部分思考
- 随着学习门槛的提高，公开的工业界资料已经相对匮乏，所以开始学习一些学术界较新的paper，理解吃透再工程化。
- Reinforcement Learning + Deep Learning = AI
- 人工智能技术应用于网络安全等各个垂直领域已经是大势所趋（虽然不得不承认有其局限性，但是我们可以通过细划分场景有针对性的进行安全问题分解、抽象，结合机器学习技术解决问题）
- 对安全场景、攻击模式、数据的认识深度，远比选择工具重要
- 加高自己的技术壁垒：业务业务业务，锻炼业务敏感性，理解业务需求，给出解决方案（基于业务的特征工程）