具体描述
本书由世界顶级安全专家亲笔撰写，深入剖析了安全领域中的数据分析及可视化方法，包含大量真实案例和数据。从安全数据收集、整理、分析、可视化过程，详细讲解如何设计有效的安全数据可视化，并走向数据驱动的安全研究。主要内容包括：第1章展示信息安全领域数据分析与可视化的基础知识，以及安全数据科学工作者需要掌握的技能概览。第2、3、4章分别介绍一些安全数据科学工作者需要掌握的软件工具、技术知识、使用技巧，涉及Python语言、R语言为主的实用分析方法。第5章介绍创建图表的技术以及一些核心的统计学概念。第6章讲解数据可视化的基础知识，以及有效展示的技巧。第7章介绍如何对安全漏洞进行分析和可视化，包含大量安全事件的真实数据。第8章涵盖现代数据库的概念，包含在传统数据库基础上新增的数据展示技巧以及NoSQL解决方案。第9章将带你进入机器学习领域，包括机器学习的核心概念，探索机器学习实现技术等。第10章及第11章介绍创建有效的可视化产品技巧，以及如何让这些信息展示得更加丰富有形。在第12章呈现如何将所学的知识应用到实际的安全环境中。
作者简介
Jay Jacobs在IT以及信息安全领域拥有超过15年的经验，主要致力于密码学、风险学以及数据分析方面的研究。作为Versizon RISK团队的一名高级数据分析师，他参与编纂年度《Data Breach Investigation Report》，并投入大量精力进行安全相关数据的分析与可视化。Jay也是Society of Information Risk Analysts的创立人之一，现在是该组织董事会的成员。他是一名活跃的博客纂稿人与演讲者，他还是Risk Science播客的主持人并且曾经是2014 Metricon安全指标/分析大会的联席主席。可以通过@jayjacobs在推特上找到他。他拥有美国康卡迪亚大学科技管理的学士学位以及美国宾夕法尼亚州立大学的应用统计学毕业证书。
Bob Rudis拥有超过20年的利用数据来帮助维护全球财富100强企业的经验。作为Liberty Mutual Insurance的企业信息安全及IT风险管理部门的主管，他负责协调与管理Advanced Cyber Security Center的多部门大范围安全分析计划。Bob是一名高级推特撰写人（@hrbrmster）、活跃的博主（rud.is）、作家、演讲者以及开源社区的投稿人（github.com/hrbrmstr）。他当前正任职于Society of Information Risk Analysts（SIRA）的董事会，是SANS Securing The Human方案的编委，同时，还是2014年Metricon安全指标/分析会议的联合主席。他拥有斯克兰顿大学的学士学位。
技术编辑Russell Thomas是一名Zions Bancorporation的安全数据科学家，还是一名乔治梅森大学社会计算科学的在读博士研究生。他拥有在计算机行业超过30年的技术、管理以及咨询方面的经验。Thomas先生是Securitymetrics.org的长期社区会员和Society of Information Risk Analysts（SIRA）的创始成员之一。
目录信息
译者序
前言
作者介绍
第1章 通向数据驱动安全的旅程 1
1.1 数据分析简史 2
1.1.1 19世纪的数据分析 2
1.1.2 20世纪的数据分析 3
1.1.3 21世纪的数据分析 4
1.2 获取数据分析技能 5
1.2.1 领域专业知识 6
1.2.2 编程技能 8
1.2.3 数据管理 11
1.2.4 统计学 12
1.2.5 可视化 14
1.2.6 将这些技能组合起来 16
1.3 以问题为中心 16
1.3.1 创建一个好的研究问题 17
1.3.2 探索性数据分析 18
1.4 本章小结 19
推荐阅读 19
第2章 打造自己的分析工具箱 20
2.1 为什么选Python？为什么选R？为什么两者都要？ 21
2.2 用Canopy快速开始Python分析 23
2.2.1 理解Python数据分析和
可视化生态系统 24
2.2.2 设置R语言环境 27
2.3 数据帧介绍 30
2.4 组织结构 33
2.5 本章小结 34
推荐阅读 35
第3章 学习安全数据分析的“Hello World” 36
3.1 解决一个问题 37
3.2 获取数据 37
3.3 读入数据 40
3.4 探索数据 43
3.5 回到具体问题 54
3.6 本章小结 64
推荐阅读 65
第4章 进行探索性的安全数据分析 66
4.1 IP地址的剖析 67
4.1.1 IP地址的表示 67
4.1.2 IP地址的分段和分组 69
4.1.3 定位IP地址 71
4.2 IP地址数据的扩充 74
4.3 跨区域绘图 83
4.3.1 宙斯僵尸网络的可视化 85
4.3.2 防火墙数据的可视化 91
4.4 本章小结 93
推荐阅读 94
第5章 从地图到回归分析 95
5.1 简化地图 96
5.1.1 每个国家的ZeroAccess木马感染量是多少 99
5.1.2 改变数据范围 102
5.1.3 Potwin效应 104
5.1.4 结果奇怪吗？ 107
5.1.5 郡计数 111
5.1.6 郡级 112
5.2 线性回归介绍 115
5.2.1 回归分析中的常见陷阱 120
5.2.2 ZeroAccess木马感染的回归分析 121
5.3 本章小结 125
推荐阅读 125
第6章 将安全数据可视化 126
6.1 为什么要可视化 127
6.2 理解视觉交流的组件 133
6.2.1 避免第三维 133
6.2.2 使用颜色 135
6.2.3 拼在一起 137
6.2.4 描述分布信息 143
6.2.5 可视化时间序列 146
6.2.6 亲自实践 147
6.3 将数据变成电影明星 147
6.4 本章小结 148
推荐阅读 148
第7章 从安全失陷中进行学习 150
7.1 建立研究项目 151
7.2 数据收集框架的思考 152
7.2.1 瞄准目标答案 152
7.2.2 限制可能的答案 153
7.2.3 允许“其他”和“未知”选项 153
7.2.4 避免混淆并且合并细节 154
7.3 VERIS概述 155
7.3.1 事件追踪 156
7.3.2 威胁角色 157
7.3.3 威胁行为 158
7.3.4 信息资产 160
7.3.5 属性 162
7.3.6 发现/响应 163
7.3.7 影响 164
7.3.8 受害者 164
7.3.9 指标 166
7.3.10 用附加扩展VERIS 166
7.4 从行为中看VERIS 166
7.5 使用VCDB数据 168
7.6 本章小结 175
推荐阅读 176
第8章 离开关系数据库 177
8.1 实现有约束的存储器 180
8.1.1 架构方面的约束 181
8.1.2 存储方面的约束 183
8.1.3 RAM方面的约束 184
8.1.4 数据方面的约束 185
8.2 探索替代性的数据库 185
8.2.1 BerkeleyDB 186
8.2.2 Redis 188
8.2.3 HIVE 192
8.2.4 MongoDB 194
8.2.5 特殊目的的数据库 199
8.3 本章小结 200
推荐阅读 200
第9章 解密机器学习 201
9.1 检测恶意软件 202
9.1.1 开发机器学习算法 204
9.1.2 验证算法 205
9.1.3 实现机器学习算法 206
9.2 从机器学习中获益 209
9.2.1 用机器学习回答问题 210
9.2.2 评测良好的性能 211
9.2.3 选择特征 211
9.2.4 验证你的模型 213
9.3 具体的机器学习方法 213
9.3.1 有监督学习方法 214
9.3.2 无监督学习方法 217
9.4 实验：攻击数据聚类 218
9.4.1 受害行业的多维尺度分析 220
9.4.2 受害行业的层次聚类分析 222
9.5 本章小结 225
推荐阅读 225
第10章 设计有效的安全仪表盘 226
10.1 什么是仪表盘 226
10.1.1 仪表盘不是汽车 227
10.1.2 仪表盘不是报告 229
10.1.3 仪表盘不是搬运车 231
10.1.4 仪表盘不是艺术展 233
10.2 通过仪表盘表达及管理“安全” 237
10.2.1 帮负责人一个忙 237
10.2.2 提升仪表盘的意识 239
10.2.3 难题在细节中 241
10.2.4 突出“安全” 243
10.3 本章小结 245
推荐阅读 245
第11章 交互式安全可视化 247
11.1 从静态到交互式 248
11.1.1 用于增强的交互 248
11.1.2 用于探索的交互 251
11.1.3 用于启发的交互 254
11.2 开发交互式可视化 259
11.2.1 使用Tableau创建交互式仪表盘 259
11.2.2 使用D3创建基于浏览器的可视化 261
11.3 本章小结 271
推荐阅读 271
第12章 走向数据驱动的安全 273
12.1 让自己走向数据驱动的安全 273
12.1.1 黑客 274
12.1.2 统计学 277
12.1.3 安全领域专家 278
12.1.4 危险区域 278
12.2 带领团队走向数据驱动的安全研究 279
12.2.1 对具有客观答案的事情提问 279
12.2.2 查找并收集相关数据 280
12.2.3 从迭代中学习 280
12.2.4 寻找统计人才 281
12.3 本章小结 283
推荐阅读 283
附录A 资料及工具 284
附录B 参考资源 287
· · · · · · (收起)
读后感
评分
评分
评分
评分
用户评价
这本书的装帧和细节处理也体现了一种匠人精神。我注意到，书中引用的案例几乎都标注了来源，并且在页脚或脚注处提供了相关的学术论文或开源项目链接，这极大地增强了内容的可靠性和可追溯性。对于我这种习惯于“深挖到底”的读者来说，这种严谨的态度是极其重要的。它表明作者不仅仅是在传授技巧，更是在引导读者建立一个批判性学习和验证知识的习惯。此外，章节之间的过渡处理得非常自然，从宏观的战略布局，逐渐聚焦到微观的技术实现，再到最后关于合规性与伦理的讨论，形成了一个完整的闭环。这种结构安排，使得阅读体验非常连贯，没有那种突然掉入技术深渊或者被无关的哲学思辨拉扯的感觉。看完这本书，我感觉自己不仅仅是掌握了一些安全工具的使用方法，更是对整个现代信息安全生态有了一种全新的、更具全局性的理解。它提供的知识体系是稳固的、可扩展的，而非易于过时的信息点堆砌。
评分最让我感到震撼的，是作者在全书中所流露出的那种对“人”的关注，而不仅仅是冰冷的数据和代码。在探讨如何利用数据来识别内部威胁时，书中并没有将员工描绘成潜在的敌人，而是深入分析了“流程不当”和“沟通不畅”才是导致数据风险的关键因素。作者非常注重在技术防御之外，建立起基于信任和透明度的组织文化。他强调，最强大的安全系统，是那些能够快速识别并纠正流程缺陷的组织，而数据，只是帮助我们看清这些缺陷的显微镜。这种将技术、流程与人文关怀相结合的视角，让这本书的立意拔高了一个层次。它不再是单纯的一本技术手册，而更像是一部关于如何在数字化时代构建一个健康、有韧性组织的管理哲学著作。读完合上书本的那一刻，我感受到的不是知识的饱和，而是一种重塑思维后的清醒：真正的安全，源于对数据流动的深刻理解，以及对驱动这些数据的人的尊重。这绝对是我近年来读到的最有深度的安全领域著作之一。
评分深入阅读后，我发现这本书的深度是分层的，这让它能同时吸引不同经验水平的读者。对于初学者来说，开篇的几个章节提供了一个非常坚实的基础框架，它系统地梳理了数据采集、清洗、标注到最终模型训练的全过程，逻辑脉络清晰得像一张精确绘制的地图。但对于资深的安全工程师而言，书中后半部分对于“对抗性机器学习”和“零日漏洞的语义分析”的探讨，无疑是重磅炸弹。作者敢于触及当前安全领域最前沿且最具争议的话题，并且提供了他自己团队在实际项目中验证过的解决思路，而不是空泛的理论推测。特别是关于如何构建一个能够自我修复的“蜜罐”系统的章节，里面的技术细节之精妙，让我不禁拍案叫绝。这本书的特点在于，它不仅告诉你当前的威胁是什么，更重要的是，它教会你如何预判未来可能出现的威胁，并提前部署基于数据的防御体系。它提供的不仅仅是知识，更是一种前瞻性的思维模式，让你从被动的“救火队员”转变为主动的“架构师”。
评分这本书的叙事风格极其流畅，有一种电影剧本般的张力。我特别喜欢作者在讨论那些复杂的算法和模型时，所采用的类比手法。比如，当他解释“异常检测”时，他没有直接堆砌公式，而是用了一个非常生动的比喻——把网络比作一个繁忙的港口，而正常行为就是那些按部就班的货轮进出，而“攻击”就是突然出现的一艘挂着假旗帜、装载着不明货物的船只。作者的语言简洁有力，毫不拖泥带水，但每一个句子背后都蕴含着深厚的行业洞察力。在阅读过程中，我时不时地会停下来，在脑海中复盘作者描述的场景，甚至会下意识地去审视自己日常工作中接触到的那些数据报告，思考“我的‘港口’里，有没有可疑的船只出现？”这种代入感是很多技术书籍所缺乏的，它们往往只关注“是什么”，而这本书却着重于“为什么”和“怎么办”。它成功地将原本高高在上的安全策略，拉到了可以被具体操作和衡量的层面，真正做到了理论与实践的无缝对接。
评分这本书的封面设计得非常现代，那种深邃的蓝色背景配上一些电路板的纹理，一下就把人拉进了一个充满科技感和神秘感的氛围里。拿到手里掂了掂，感觉分量很足，翻开扉页，前言部分就非常引人入胜。作者没有一开始就抛出枯燥的定义，而是用了一个发生在硅谷某科技巨头身上真实的数据泄露案例作为引子，那种紧张感和紧迫感几乎要从纸面上溢出来。我当时心里就在想，哦，这可不是那种学院派的理论著作，它更像是一部关于现代网络攻防战的战地报告。全书的排版很舒服，字体大小适中，行距也恰到好处，即便是长时间阅读也不会觉得眼睛干涩疲劳。更值得称赞的是，书中穿插了一些非常精美的图表和流程图，它们并非单纯的装饰，而是精准地解析了复杂的数据流向和潜在的威胁向量，即便是像我这样对底层技术细节了解不深的读者，也能迅速把握住核心逻辑。读完第一章，我就觉得这本书的价值远远超出了我对一本“安全”书籍的预期，它更像是一份关于如何利用信息优势来构建防御体系的实操指南，让人对接下来的内容充满了好奇与期待。
评分360团队翻译的，并且把数据驱动安全作为公司宣传语，但这本书讲的真没意思，翻译的不好，对不起这个名字
评分本书从数据分析和数据可视化的角度来定位、分析安全问题，主要内容包括数据驱动安全的基础原理，常用的数据分析编程语言Python和R，数据分析代表性的软件工具，数据可视化和机器学习的基础算法，以及如何有效的设计交互式安全仪表盘。本书从数据的角度来分析安全，这是网络空间安全的一个热门领域，如何采用人工智能、机器学习从海量的网络数据中发现潜在的威胁，已经发生的安全事件，攻击踪迹，甚至威胁情报信息，这是非常值得关注的问题。
评分烂翻译
评分烂翻译
评分本书从数据分析和数据可视化的角度来定位、分析安全问题，主要内容包括数据驱动安全的基础原理，常用的数据分析编程语言Python和R，数据分析代表性的软件工具，数据可视化和机器学习的基础算法，以及如何有效的设计交互式安全仪表盘。本书从数据的角度来分析安全，这是网络空间安全的一个热门领域，如何采用人工智能、机器学习从海量的网络数据中发现潜在的威胁，已经发生的安全事件，攻击踪迹，甚至威胁情报信息，这是非常值得关注的问题。
相关图书
本站所有内容均为互联网搜索引擎提供的公开搜索信息，本站不存储任何数据与内容，任何内容与数据均与本站无关，如有需要请联系相关搜索引擎包括但不限于百度，google,bing,sogou 等
© 2026 book.wenda123.org All Rights Reserved. 图书目录大全 版权所有