‘壹’ 日本防卫省研发人工智能用深度学习防御网络攻击
据日本《产经新闻》1月7日报道称，日本防卫省于6日宣布：为强化对网络攻击的应对能力，已经确定要将人工智能（AI）引入日本自卫队信息通信网络的防御系统中。预计将于明年开始为期两年的调查研究，于2020年着手进行软件开发，2022年实际运用，并且也开始考虑在日本政府全体的网络防御系统中应用AI。
目前，军方人员介入网络安全战场早已成为常态，美国着名的网络安全公司Cybereason其创办人正是来自以色列国防部下属精英网络部队8200部队。值得注意的是，2015年该公司接受了来自日本软银的为数1亿美元的融资，不知《产经新闻》提到的“以色列技术”是否来自该公司呢？
‘贰’ 大一网络工程专业想学习网络安全，如何学习
首先你能坚持对安全技术的热爱。
第一要了解它。
1.不要试图以编程为基础去学习网络安全
2.不要刚开始就深度学习网络安全
学习讲究这方法，需要一步一步的来，由浅至深，慢慢的加大难度
3.收集适当的学习资料
网上有很多网络安全的学习资料。选择大众化资料。
第二学习学习网络安全要有些许准备
1.硬件选择 2.软件选择 3.外语能力
三、网络安全学习路线
第一阶段：基础操作入门
第二阶段：学习基础知识
第三阶段：实战操作
网络安全这块的分支非常广，主要看你想接触哪一方面，或者说对哪一大块比较有兴趣。这几本书你可以花时间看
1.《计算机组成原理》
2.《计算机网络》
3.《计算机安全原理与实践》
4.《汇编语言》
5.《C Primer》/ 《C++ Primer》
6.《操作系统精髓与设计原理》
7.《编译原理》
当然，最终还是得自己实践，实践出真知。
网络安全知识桥梁
‘叁’ 网络安全怎么学习呢
网络安全
如何学习网络安全
m0_68489386
原创
关注
1点赞·1207人阅读
一、网络安全学习的误区
1.不要试图以编程为基础去学习网络安全
不要以编程为基础再开始学习网络安全，一般来说，学习编程不但学习周期长，且过渡到网络安全用到编程的用到的编程的关键点不多。一般人如果想要把编程学好再开始学习网络安全往往需要花费很长时间，容易半途而废。建议在学习网络安全的过程中，哪里不会补哪里，这样更有目的性且耗时更少。学习编程能决定你能在网络安全这条路上到底能走多远，所以推荐大家自学一些基础编程的知识
2.不要刚开始就深度学习网络安全
学习讲究这方法，需要一步一步的来，由浅至深，慢慢的加大难度，很多人刚开始就猛学，很容易到后面的时候乏力，越学可能就越学得枯燥，到最后就很容易放弃了。
3.收集适当的学习资料
网上有很多网络安全的学习资料。而很多朋友都有“收集癖”，一下子很多书籍，收藏几十个视频，觉得学习资料越多越好，然而网上的学习资料重复性极高。建议选择大众受用的学习资料。
4.适当的报班学习
很多人觉得报班就是浪费钱财，觉得自己自学就很好了，但其实自学也是需要一定的天赋和理解能力，且自学的周期较长，一些急躁的客户或者急于找到工作的客户，还是报班学的比较轻松，学习周期不长，学到的东西也不会少，建议学习者根据自己的自身条件选择是否报班。
二、学习网络安全的些许准备
1.硬件选择
学习网络安全不需要配置很高的电脑，黑客用的电脑,从来不是根据高配置选择电脑,只要稳定就行。因为黑客所使用的一些程序,低端CPU也可以很好的运行,而且不占什么内存。黑客是在DOS命令下对进行的,电脑能使用到最佳状态就可以了。
2.软件选择
很多人会纠结学习黑客到底是用L网络安全学习路线
第一阶段：基础操作入门
入门的第一步是学习一些当下主流的安全工具课程并配套基础原理的书籍，一般来说这个过程在1个月左右比较合适。
在学习基础入门课程的同时，同时阅读相关的书籍补充理论知识，这里比较推荐以下几本书：
《白帽子讲Web安全》
《Web安全深度剖析》
《Web安全攻防 渗透测试实战指南》
第二阶段：学习基础这个时候最重要的就是开始打地基！所谓的“打地基”其实就是系统化的学习计算机基础知识
第三阶段：实战操作
1.挖SRC
挖SRC的目的主要是讲技能落在实处，学习网络安全最大的幻觉就是觉得自己什么都懂了，但是到了真的挖漏洞的时候却一筹莫展，更多的还是要进行实操，把理论知识运用到实践中，确保更好的掌握知识点。
2.从技术分享帖学习
观看学习近十年所有挖掘的帖，然后搭建环境，去复现漏洞，
‘肆’ 神经网络的安全隐患：居然可以隐藏恶意软件
深度学习模型拥有数启脊以百万计甚至数十亿计的数值参数，因此可以做很多事情：检测照片中的物体、识别语音、生成文本，甚至隐藏恶意软件。恶意软件隐藏技术 EvilModel 研究人员证明可以将恶意软件隐藏在神经网络图像分类器中以绕过防御措施。这已成为机器学习和网络安全会议讨论的热门话题。
随着深度学习逐渐与我们的日常生活不可分离，安全社区开始思考如何采用新的手段，保护用户免受这类新兴威胁的困扰。
每个深度学习模型都是由多层人工神经元组成，根据层的类型，每个神经元与其上一层和下一层中的所有或部分神经元有所连接。根据深度学习模型在针对任务训练时使用的参数数值不同，神经空禅元间连接的强度也会不同，大型的神经网络甚至可以拥有数亿乃至数十亿的参数。
EvilModel 背后的主要思想是将恶意软件嵌入到神经网络的参数中，使其对恶意软件扫描仪不可见。这是隐写术的一种形式，将一条信息隐藏在另一条信息中的做法。
隐蔽地传递恶意软件和绕过对恶意软件的检测是恶意软件攻击活动来说是非常关键的。现阶段，神经网络模型的可解释性比较差，但具有较好的泛化能力。
通过将恶意软件嵌入到已经训练好的神经网络的神经元中，就可以在不影响神经网络的性能的情况下隐蔽地传输恶意软件。如果模型没有足够的神经元来嵌入恶意软件，攻击者还可以使用未经过训练的模型，因为未经训练的神经元网络有更多的神经元。然后，攻击者可以在用于原来模型相同的数据集来训练模型，这样最终模型就可以得到与原模型相同的性能。
为了验证 EvilModel 的可行性，研究人员在多个卷积神经网络（CNN）中进行了测试斗旁尘。CNN 是个很好的测试环境，首先，CNN 的体积都很大，通常会有几十层和数百万的参数；其次，CNN 包含各类架构，有不同类型的层（全连接层、卷积层）、不同的泛化技术（批归一化、弃权、池化等等），这些多样化让评估各类病毒嵌入设定变得可能；第三，CNN 通常用于计算机视觉类的应用，这些都是恶意因素的主要攻击对象；最后，很多经过预训练的 CNN 可以在不经任何改动的情况下直接集成到新的应用程序中，而多数在应用中使用预训练 CNN 的开发人员并不一定知道深度学习的具体应用原理。
研究中实验用的八个样本病毒都是可以被病毒扫描网站 识别为恶意软件的，一旦样本成功嵌入神经网络，研究人员将模型上传进行扫描。而病毒扫描结果却显示这些模型“安全”，意味着恶意软件的伪装并未暴露。
研究人员又在其他几个架构上进行了相同的测试，实验结果类似，恶意软件都未被成功检测。这些隐匿的恶意软件将会是所有大型神经网络都需要面对的威胁。
研究人员认为，随着人工智能技术的广泛应用，基于人工智能和神经网络的恶意软件等威胁和攻击将成为未来网络攻击的一个主流趋势，也是网络和信息安全威胁防护的新的挑战，意味着我们需要新的方法来应对安全威胁。
在研究人员找到更可靠的手段来检测并阻止深度学习网络中的恶意软件之前，我们必须确立机器学习管道中的信任链。既然病毒扫描和其他静态分析工具无法检测到受感染模型，开发者们必须确保他们所使用的模型是来自可信任的渠道，并且训练数据和学习参数未受到损害。
随着我们在深度学习安全问题方面更深一步的研究，我们也必须对那些用于分析图片或识别语音的、数量庞杂的数据背后所隐藏的东西保持警惕