●譯者序
致謝
符號表
第一部分 對抗機器學習概述
第1章 引言
1.1 動機
1.2 安全學習的原則性方法
1.3 安全學習年表
1.4 本書內容概述
第2章 背景知識及符號說明
2.1 基本表示
2.2 統計機器學習
2.2.1 數據
2.2.2 假設空間
2.2.3 學習模型
2.2.4 監督學習
2.2.5 其他學習模式
第3章 安全學習框架
3.1 學習階段分析
3.2 安全分析
3.2.1 安全目標
3.2.2 威脅模型
3.2.3 安全中的機器學習應用探討
3.3 框架
3.3.1 分類
3.3.2 對抗學習博弈
3.3.3 對抗能力特征
3.3.4 攻擊
3.3.5 防御
3.4 探索性攻擊
3.4.1 探索性博弈
3.4.2 探索性完整性攻擊
3.4.3 探索性可用性攻擊
3.4.4 防御探索性攻擊
3.5 誘發型攻擊
3.5.1 誘發型博弈
3.5.2 誘發型完整性攻擊
3.5.3 誘發型可用性攻擊
3.5.4 防御誘發型攻擊
3.6 重復學習博弈
3.7 隱私保護學習
3.7.1 差分隱私
3.7.2 探索性和誘發型隱私攻擊
3.7.3 隨機效用
第二部分 關於機器學習的誘發型攻擊
第4章 攻擊一個超球面學習者
4.1 超球面檢測器的誘發型攻擊
4.1.1 學習假設
4.1.2 攻擊者假設
4.1.3 分析方法論
4.2 超球面攻擊描述
4.2.1 取代質心
4.2.2 攻擊的正式描述
4.2.3 攻擊序列的特征
4.3 很優無約束攻擊
4.4 對攻擊施加時間
4.4.1 可變質量的堆疊塊
4.4.2 替代配方
4.4.3 很優松弛解
4.5 使用數據替換進行重新訓練的攻擊
4.5.1 平均輸出和隨機輸出替換策略
4.5.2 最近輸出替換策略
4.6 受的攻擊者
4.6.1 貪婪很好攻擊
4.6.2 混合數據攻擊
4.6.3 擴展
4.7 總結
第5章 可用性攻擊案例研究：SpamBayes
5.1 SpamBayes垃圾郵件過濾器
5.1.1 SpamBayes的訓練算法
5.1.2 SpamBayes的預測
5.1.3 SpamBayes的模型
5.2 SpamBayes的威脅模型
5.2.1 攻擊者目標
5.2.2 攻擊者知識
5.2.3 訓練模型
5.2.4 污染假設
5.3 對SpamBayes學習者的誘發型攻擊
5.3.1 誘發型可用性攻擊
5.3.2 誘發型完整性攻擊——偽垃圾郵件
5.4 拒絕負面影響防御
5.5 使用SpamBayes進行實驗
5.5.1 實驗方法
5.5.2 字典攻擊結果
5.5.3 集中攻擊結果
5.5.4 偽垃圾郵件攻擊實驗
5.5.5 RONI結果
5.6 總結
第6章 完整性攻擊案例研究：主成分分析檢測器
6.1 PCA方法用於流量異常檢測
6.1.1 流量矩陣和大規模異常
6.1.2 用於異常檢測的子空間方法
6.2 腐蝕PCA子空間
6.2.1 威脅模型
6.2.2 無信息垃圾流量選擇
6.2.3 局部信息垃圾流量選擇
6.2.4 全局信息垃圾流量選擇
6.2.5 溫水煮青蛙式攻擊
6.3 腐蝕抵御檢測器
6.3.1 直覺
6.3.2 PCA-GRID方法
6.3.3 魯棒的拉普拉斯閾值
6.4 實證評估
6.4.1 準備
6.4.2 識別易受攻擊流
6.4.3 攻擊評估
6.4.4 ANTIDOTE評估
6.4.5 溫水煮青蛙式毒化攻擊實證評估
6.5 總結
第三部分 關於機器學習的探索性攻擊
第7章 用於SVM學習的隱私保護機制
7.1 隱私洩露案例研究
7.1.1 馬薩諸塞州員工健康記錄
7.1.2 AOL搜索查詢日志
7.1.3 Netflix獎
7.1.4 Twitter昵稱的去匿名化
7.1.5 全基因組關聯研究
7.1.6 廣告微目標
7.1.7 經驗教訓
7.2 問題定義：隱私保護學習
7.2.1 差分隱私
7.2.2 可用性
7.2.3 差分隱私的歷史研究方向
7.13 支持向量機：簡單介紹
7.3.1 平移不變核
7.3.2 算法的穩定性
7.4 基於輸出干擾的差分隱私
7.5 基於目標函數干擾的差分隱私
7.6 無限維特征空間
7.7 很優差分隱私的界限
7.7.1 上界
7.7.2 下界
7.8 總結
第8章 分類器的近似很優規避
8.1 近似很優規避的特征
8.1.1 對抗成本
8.1.2 近似很優規避
8.1.3 搜索的術語
8.1.4 乘法很優性與加法很優性
8.1.5 凸誘導性分類器族
8.2 l1成本凸類的規避
8.2.1 對於凸x+f的∈-IMAC搜索
8.2.2 對於凸x-f的∈-IMAC學習
8.3 一般lp成本的規避
8.3.1 凸正集
8.3.2 凸負集
8.4 總結
8.4.1 近似很優規避中的開放問題

本書由機器學習安全領域的學者撰寫，針對存在安全威脅的對抗性環境，討論如何構建健壯的機器學習繫統，涵蓋所涉及的理論和工具。全書分為四部分，分別討論對抗機器學習的基本概念、誘發型攻擊、探索性攻擊和未來發展方向。書中介紹了當前最實用的工具，你將學會利用它們來監測繫統安全狀態並進行數據分析，從而設計出有效的對策來應對新的網絡攻擊；詳細討論了隱私保護機制和分類器的近似很優規避，在關於垃圾郵件和網絡安全的案例研究中，深入分析了傳統機器學習算法為何會被成功擊破；全面概述了該領域的近期新技術以及未來可能的發展方向。 本書適合機器學習、計算機安全、網絡安全領域的研究人員、技術人員和學生閱讀。

(美)安東尼·D.約瑟夫//布萊恩·尼爾森//本傑明·I.P.魯賓斯坦//J.D.泰格 著 紀守領//翁海琴 譯