目录

●前言
致谢
第1章 引言1
1.1 简介1
1.2 本书组织结构2
1.3 总结4
参考文献4
第2章 当网络管理和网络安全管理遇到人工智能和机器学习8
2.1 简介8
2.2 基于机器学习的网络管理和网络安全管理架构9
2.3 监督学习10
2.3.1 分类11
2.3.2 回归12
2.4 半监督和无监督学习12
2.4.1 聚类13
2.4.2 降维14
2.4.3 半监督学习14
2.5 强化学习14
2.5.1 基于策略的强化学习16
2.5.2 基于价值的强化学习17
2.6 网络管理和网络安全管理产品18
2.6.1 网络管理产品18
2.6.2 网络安全管理产品21
2.7 网络管理和网络安全管理标准23
2.7.1 网络管理标准23
2.7.2 网络安全管理标准25
2.8 网络管理和网络安全管理项目26
2.8.1 Poseidon26
2.8.2 NetworkML27
2.8.3 CredentialDigger28
2.8.4 Adversarial Robustness Toolbox29
2.9 网络管理和网络安全管理概念验证29
2.9.1 分类29
2.9.2 主动学习30
2.9.3 概念漂移检测31
2.10 总结31
参考文献32
第3章 自治网络管理的网络意图学习38
3.1 简介38
3.2 动机40
3.3 意图符号推断的层次表示与学习框架41
3.3.1 符号语义学习41
3.3.2 符号结构推断44
3.4 实验45
3.4.1 数据集45
3.4.2 符号语义学习实验45
3.4.3 符号结构推断实验47
3.4.4 符号结构迁移实验48
3.5 总结49
参考文献50
第4章 基于分层强化学习的虚拟网络嵌入51
4.1 简介51
4.2 动机52
4.3 预备知识及符号表示53
4.3.1 虚拟网络嵌入53
4.3.2 强化学习55
4.3.3 分层强化学习55
4.4 VNEHRL架构55
4.4.1 概览55
4.4.2 高级智能体57
4.4.3 低级智能体58
4.4.4 训练方法59
4.5 案例分析60
4.5.1 实验设置60
4.5.2 算法比较60
4.5.3 评估结果60
4.6 相关工作62
4.6.1 传统算法62
4.6.2 基于机器学习的算法63
4.7 总结63
参考文献64
第5章 面向网络流量分类的概念漂移检测68
5.1 数据流处理领域中机器学习的有关概念68
5.1.1 假设和约束68
5.1.2 概念漂移及解决方案69
5.2 使用主动方法解决入侵检测领域的概念漂移问题70
5.2.1 应用背景70
5.2.2 系统工作流程71
5.3 基于CVAE的概念漂移检测器72
5.3.1 基于CVAE的漂移指示器72
5.3.2 基于CVAE的漂移分析器73
5.3.3 基于CVAE的概念漂移检测器性能评估74
5.4 在实际网络中部署和实验76
5.4.1 数据采集和特征提取77
5.4.2 数据分析和参数设置78
5.4.3 结果分析78
5.5 未来研究的挑战和未解决问题79
5.5.1 自适应阈值m79
5.5.2 漂移探测器的计算成本80
5.5.3 主动学习80
5.6 总结80
参考文献80
第6章 基于轻量级神经网络的在线加密流量分类83
6.1 简介83
6.2 动机83
6.3 预备知识84
6.3.1 问题定义84
6.3.2 数据包交互84
6.4 模型架构85
6.4.1 预处理85
6.4.2 特征提取86
6.5 案例分析88
6.5.1 评估指标88
6.5.2 模型比较89
6.5.3 数据集89
6.5.4 评估结果90
6.6 相关工作94
6.6.1 加密流量分类94
6.6.2 基于数据包的方法94
6.6.3 基于流的方法94
6.7 总结96
参考文献96
第7章 基于上下文感知学习的鲁棒异常检测100
7.1 简介100
7.2 日志事件103
7.3 AllRobust方法105
7.3.1 问题介绍105
7.3.2 日志解析105
7.3.3 日志向量化107
7.3.4 异常检测110
7.4 实验112
7.4.1 数据集113
7.4.2 模型评估指标115
7.4.3 基于不平衡日志数据的有监督深度学习日志异常检测115
7.4.4 基于不平衡日志数据的半监督深度学习日志异常检测119
7.5 讨论123
7.6 总结124
参考文献124
第8章 基于未知、不平衡和少样本日志数据的异常分类130
8.1 简介130
8.2 实例132
8.2.1 日志分析的特征提取132
8.2.2 少样本问题134
8.3 方法论135
8.3.1 数据预处理135
8.3.2 OpenLog架构138
8.3.3 训练过程142
8.3.4 目标函数143
8.4 实验143
8.4.1 实验设计143
8.4.2 数据集145
8.4.3 基于未知类别数据的实验148
8.4.4 基于不平衡数据的实验149
8.4.5 基于少样本数据的实验150
8.5 讨论151
8.6 总结152
参考文献152
第9章 零信任网络158
9.1 简介158
9.1.1 背景158
9.1.2 零信任网络概述158
9.2 零信任网络解决方案160
9.2.1 基于访问代理的零信任网络160
9.2.2 基于软件定义边界的零信任网络161
9.2.3 基于微隔离的零信任网络162
9.3 机器学习驱动的零信任网络164
9.3.1 信息融合166
9.3.2 决策制订167
9.4 总结168
参考文献169
第10章 智能网络管理和运维系统172
10.1 简介172
10.2 传统运维系统172
10.2.1 运维系统的发展172
10.2.2 开源的运维系统174
10.2.3 小结180
10.3 安全运维180
10.3.1 简介180
10.3.2 开源安全工具181
10.3.3 小结187
10.4 AIOps190
10.4.1 简介190
10.4.2 开源的AIOps和算法190
10.4.3 小结198
10.5 基于机器学习的网络安全监控管理系统198
10.5.1 架构198
10.5.2 物理设施层199
10.5.3 虚拟资源层200
10.5.4 编排层200
10.5.5 策略层200
10.5.6 语义描述层201
10.5.7 应用层201
10.5.8 大数据智能分析中心201
10.5.9 可编程测量与审计202
10.5.10 整体流程202
10.5.11 小结202
10.6 总结203
参考文献203
第11章 总结、研究挑战及开放性问题206
11.1 总结206
11.2 研究挑战及开放性问题206
11.2.1 自治网络207
11.2.2 强化学习赋能解决方案207
11.2.3 流量分类208
11.2.4 异常检测208
11.2.5 零信任网络209
参考文献209
缩略语211