Computer Security: Art and Science 计算机安全：艺术与科学 PDF版

本书详尽地介绍了计算机安全的理论与实践，阐释了该领域最基本和最普遍的知识，包括计算机安全的本质和面临的挑战，策略与安全的关系，密码学的角色与应用，策略实现机制，保障技术和方法学，脆弱性分析和入侵检测等。同时把计算机系统、网络、人为因素和密码学等概念融为一体，本书可作为信息安全、计算机等相关专业本科生、研究生的教科书和学习参考书，也可作为维护网络和计算机系统安全的管理人员、信息安全技术开发人员的工具书和参考书。 The importance of computer security has increased dramatically during the past few years. Bishop provides a monumental reference for the theory and practice of computer security. This is a textbook intended for use at the advanced undergraduate and introductory graduate levels, non-University training courses, as well as reference and self-study for security professionals. Comprehensive in scope, this covers applied and practical elements, theory, and the reasons for the design of applications and security techniques. Bishop treats the management and engineering issues of computer. Excellent examples of ideas and mechanisms show how disparate techniques and principles are combined (or not) in widely-used systems. Features a distillation of a vast number of conference papers, dissertations and books that have appeared over the years, providing a valuable synthesis. This book is acclaimed for its scope, clear and lucid writing, and its combination of formal and theoretical aspects with real systems, technologies, techniques, and policies. Preface Goals Philosophy Organization Roadmap Dependencies Background UndergraduateLevel GraduateLevel Practitioners SpecialAcknowledgment Acknowledgments PART1:INTRODUCTION ChapterIAnOverviewofComputerSecurity 1.1TheBasicComponents 1.2Threats 1.3PolicyandMechanism 1.4AssumptionsandTrust 1.5Assurance 1.6OperationalIssues 1.7HumanIssues 1.8TyingItAllTogether 1.9Summary 1.10ResearchIssues 1.11FurtherReading 1.12Exercises PART2:FOUNDATIONS Chapter2AccessControlMatrix 2.1ProtectionState 2.2AccessControlMatrixModel 2.3ProtectionStateTransitions 2.4Copying,Owning,andtheAttenuationofPrivilege 2.5Summary 2.6ResearchIssues 2.7FurtherReading 2.8Exercises Chapter3FoundationalResults 3.1TheGeneralQuestion 3.2BasicResults 3.3TheTake-GrantP

import pandas as pd
import jieba
import numpy

pd.set_option（‘display.height‘ 9999）
pd.set_option（‘display.max_rows‘ 9999）
pd.set_option（‘display.max_columns‘ 9999）
pd.set_option（‘display.width‘ 9999）

df_news = pd.read_table（“./data/val.txt“ names=[‘category‘ ‘theme‘ ‘URL‘ ‘content‘] encoding=“utf-8“）
df_news = df_news.dropna（）#删除有缺失值的行
# print（df_news.shape）  # （5000 4）

content = df_news[“content“].values.tolist（）  # 新闻内容list
# print（content[1000]）
content_S = []  # 新闻内容分词之后的list
for line in content:
    current_segment = jieba.lcut（line）
    if len（current_segment） > 1 and current_segment != “\r\n“:#换行符
        content_S.append（current_segment）
# print（content_S[1000]）

df_content = pd.Dataframe（{“content_S“: content_S}）
# print（df_content.head（））

stopwords = pd.read_csv（“stopwords.txt“ index_col=False sep=“\t“ quoting=3 names=[‘stopword‘] encoding=‘utf-8‘）


def drop_stopwords（contents stopwords）:
    ‘‘‘去除新闻中的停用词‘‘‘
    contents_clean = []  # 新闻中去掉停用词
    all_words = []  # 所有词汇的集合（不包括停用词）
    for line in contents:
        line_clean = []
        for word in line:
            if word in stopwords:
                continue
            line_clean.append（word）
            all_words.append（word）
        contents_clean.append（line_clean）
    return contents_clean all_words


contents = df_content[“content_S“].values.tolist（）
stopwords = stopwords[“stopword“].values.tolist（）

contents_clean all_words = drop_stopwords（contents stopwords）

df_content = pd.Dataframe（{“contents_clean“: contents_clean}）
df_all_words = pd.Dataframe（{‘all_words‘: all_words}）

words_count = df_all_words.groupby（by=[‘all_words‘]）[‘all_words‘].agg（{“count“: numpy.size}）
words_count = words_count.reset_index（）.sort_values（by=[“count“] ascending=False）
# print（words_count.head（）.values）
‘‘‘
[[‘中‘ 5199]
 [‘中国‘ 3115]
 [‘说‘ 3055]
 [‘Ｓ‘ 2646]
 [‘万‘ 2390]]
‘‘‘
from wordcloud import WordCloud
import matplotlib.pyplot as plt
import matplotlib

matplotlib.rcParams[‘figure.figsize‘] = （10.0 5.0）

wordcloud = WordCloud（font_path=“./data/simhei.ttf“ background_color=“white“ max_font_size=80）
word_frequence = {x[0]: x[1] for x in words_count.head（100）.values}
wordcloud = wordcloud.fit_words（word_frequence）
plt.imshow（wordcloud）
plt.show（）

‘‘‘TF-IDF ：提取关键词‘‘‘
import jieba.analyse

index = 2400
print（df_news[‘content‘][index]）
content_S_str = ““.join（content_S[index]）
print（“  “.join（jieba.analyse.extract_tags（content_S_str topK=5 withWeight=False）））

‘‘‘LDA ：主题模型‘‘‘
from gensim import corpora models similarities
import gensim

# 做映射，相当于词袋
dictionary = corpora.Dictionary（contents_clean）
corpus = [dictionary.doc2bow（sentence） for sentence in contents_clean]
lda = gensim.models.ldamodel.LdaModel（corpus=corpus id2word=dictionary num_topics=20）  # num_topics需要得到主题的数量
# 一号分类结果
print（lda.print_topic（1 topn=5））  # 第一类主题
for topic in lda.print_topics（num_topics=20 num_words=5

 属性            大小     日期    时间   名称
----------- ---------  ---------- -----  ----
     目录           0  2018-01-06 09:43  chapter16\
     目录           0  2018-01-05 20:38  chapter16\data\
     文件    10044356  2017-06-14 23:56  chapter16\data\simhei.ttf
     文件     9948878  2017-07-25 08:24  chapter16\data\val.txt
     文件      365370  2018-01-06 09:13  chapter16\show_Chinese.png
     文件       17672  2017-06-14 23:55  chapter16\stopwords.txt
     文件        5463  2017-03-03 12:00  chapter16\中文停用词库.txt
     文件        6038  2017-03-03 07:38  chapter16\哈工大停用词表.txt
     文件        8571  2017-03-03 12:00  chapter16\四川大学机器智能实验室停用词库.txt
     文件        5644  2018-01-06 09:43  chapter16\新闻分类任务.py