幫助中心 | 我的帳號 | 關於我們
進階搜尋
car

同類熱銷排行榜

最近瀏覽的商品

大模型重構惡意軟體檢測(提示詞智能體RAG實踐)

  • 作者：林敬勤|責編:王中英
  • 出版社：清華大學
  • ISBN：9787302717652
  • 出版日期：2026/06/01
  • 裝幀：平裝
  • 頁數：281
人民幣：RMB 89 元      售價：元
放入購物車
加入收藏夾
內容大鋼
    本書系統闡述大語言模型在惡意代碼檢測與分析領域的應用，旨在通過LLM提升安全分析的效率與準確性。
    全書共11章，結構清晰、層層遞進：第1、2章回顧惡意軟體檢測技術的發展歷程，並介紹LLM的基本原理與本地部署方法；第3、4章聚焦靜態特徵建模與Prompt工程，為樣本處理提供標準化方案；核心實戰部分（第5、6、9章）涵蓋三大典型場景——基於LLM的靜態特徵分析、沙箱報告的自動化生成，以及基於radare2的逆向智能體開發，展示如何利用本地或雲端模型實現自動化分析；第7、8章聚焦能力增強方向，引入Agent概念以構建簡易的惡意腳本自動化分析系統，並進一步探討檢索增強生成（RAG）與多模型協作機制；第10、11章分析LLM在安全應用中的潛在風險，並展望由大模型驅動的安全自動化未來。
    本書提供配套代碼與模板資源，適合安全研究人員、惡意代碼分析師、AI安全方向開發者及高校相關專業學生閱讀參考。
作者介紹
林敬勤|責編:王中英
    林敬勤在網路安全領域有多年的實踐經驗，理論功底紮實。長期關注電腦安全方向，主要關注惡意代碼分析、逆向工程與大模型在安全領域的應用。圍繞惡意軟體檢測、靜態特徵提取、動態行為分析、漏洞檢測分析、終端安全和安全自動化開展實踐，曾開發惡意軟體檢測引擎、終端安全軟體及大模型輔助樣本分析系統。長期進行安全技術寫作與課程內容建設，多篇技術文章被安全社區收錄為精選文章。
目錄
第1章 惡意軟體檢測技術演進
  1.1 從簽名到啟髮式：傳統技術的回顧
    1.1.1 簽名式檢測
    1.1.2 啟髮式分析檢測
  1.2 邁向自動化與規模化：沙箱與雲查殺的技術主導時期
    1.2.1 自動化沙箱技術
    1.2.2 雲查殺與大數據協同
  1.3 AI的引入：從傳統機器學習到大語言模型
    1.3.1 傳統機器學習的應用
    1.3.2 深度學習的崛起
    1.3.3 大語言模型的出現
  1.4 LLM安全應用核心優勢
    1.4.1 文本理解與生成能力
    1.4.2 模式識別與異常檢測能力
    1.4.3 推理與關聯分析能力
  1.5 本章總結
第2章 大語言模型基礎
  2.1 大語言模型概述
    2.1.1 LLM的定義
    2.1.2 LLM的發展歷程與里程碑
    2.1.3 LLM的核心能力與應用領域
  2.2 LLM的核心架構與技術原理概覽
    2.2.1 Transformer架構：LLM的基石
    2.2.2 預訓練與微調
  2.3 主流開源本地模型介紹
    2.3.1 DeepSeek系列
    2.3.2 Qwen（千問）系列
    2.3.3 Mistral系列
    2.3.4 LLaMA系列
    2.3.5 ChatGLM系列
  2.4 開源vs商業：部署、許可、性能差異
    2.4.1 部署方式與靈活性差異
    2.4.2 性能差異與資源消耗
  2.5 開源LLM的本地部署
    2.5.1 硬體準備
    2.5.2 Anaconda的安裝與配置
    2.5.3 模型下載與載入
    2.5.4 模型推理測試流程
    2.5.5 pipeline介面
  2.6 本章總結
第3章 惡意樣本的靜態特徵建模
  3.1 速通Windows PE文件結構
    3.1.1 PE文件格式概述
    3.1.2 PE文件主要組成部分
    3.1.3 關鍵數據目錄表
    3.1.4 PE文件的載入過程
  3.2 字元串提取、熵值、節結構與導入表
    3.2.1 字元串提取與分析
    3.2.2 熵值計算與意義
    3.2.3 節結構特徵分析

    3.2.4 導入表分析
  3.3 特徵提取的自動化腳本
    3.3.1 PE文件解析
    3.3.2 靜態特徵提取優化策略
  3.4 樣本靜態特徵畫像
  3.5 本章總結
第4章 Prompt Engineering安全實戰篇
  4.1 Prompt Engineering基礎
    4.1.1 Prompt Engineering的定義
    4.1.2 模型採樣參數
    4.1.3 常見Prompt類型與設計技巧
    4.1.4 惡意軟體分析中Prompt的獨特挑戰
  4.2 惡意軟體分析Prompt設計原則
    4.2.1 角色與任務設定
    4.2.2 輸入輸出安全與可解釋性
  4.3 惡意樣本分析Prompt模板集
    4.3.1 靜態分析Prompt模板
    4.3.2 動態分析Prompt模板
  4.4 動態構造Prompt的自動化機制
    4.4.1 字元串與變數注入
    4.4.2 模板引擎
    4.4.3 配置化管理
  4.5 本章總結
第5章 項目實戰之大模型判定惡意樣本
  5.1 樣本靜態特徵提取
    5.1.1 特徵的選擇
    5.1.2 數據的提取與清洗
  5.2 Prompt構造與樣本輸入格式標準化
  5.3 搭建分析工具鏈
    5.3.1 模型選擇
    5.3.2 模型部署
  5.4 實現樣本分析功能
    5.4.1 模塊集成與流程串聯
    5.4.2 樣本分析功能實現與示例
    5.4.3 本地模型局限性與雲端推理增強
  5.5 本章總結
第6章 項目實戰之大模型分析沙箱行為日誌
  6.1 Cuckoo沙箱簡介
    6.1.1 什麼是Cuckoo沙箱
    6.1.2 Cuckoo沙箱的工作原理
  6.2 Cuckoo沙箱安裝配置
    6.2.1 環境準備
    6.2.2 Cuckoo沙箱核心組件安裝
    6.2.3 虛擬機配置
    6.2.4 Cuckoo沙箱初始化與網路配置
  6.3 沙箱行為日誌獲取
    6.3.1 Cuckoo Sandbox分析任務提交
    6.3.2 分析結果提取
    6.3.3 核心行為日誌格式與內容
  6.4 Prompt設計與模型適配

    6.4.1 樣本行為畫像構建
    6.4.2 行為分析Prompt設計
    6.4.3 模型選擇與適配
  6.5 可視化報告生成
    6.5.1 可視化圖表生成
    6.5.2 報告模板渲染
  6.6 本章總結
第7章 Agent架構與智能分析系統原理
  7.1 Agent核心概念及架構
    7.1.1 傳統線性分析流程的局限性
    7.1.2 Agent概念與四大能力
    7.1.3 Agent系統核心架構
    7.1.4 Agent驅動的安全分析新範式
  7.2 Agent實現機制之ReAct決策循環
    7.2.1 ReAct決策循環核心原理
    7.2.2 文本解析型工具調用
    7.2.3 Function Calling與工具集成
  7.3 Agent基礎實踐之腳本程序分析
    7.3.1 工具實現
    7.3.2 Function Calling工具註冊
    7.3.3 Prompt設計
    7.3.4 ReAct決策循環核心實現
    7.3.5 測試與觀察
  7.4 本章總結
第8章 進階探索RAG與多模型協作
  8.1 Agent架構的局限性
  8.2 RAG基礎與架構
    8.2.1 RAG核心思想
    8.2.2 典型RAG流程
    8.2.3 RAG的安全分析應用
    8.2.4 RAG具體實現方式
  8.3 多模型體系與模型路由
    8.3.1 什麼是多模型體系
    8.3.2 模型路由機制
  8.4 多模型及多角色協作
    8.4.1 單模型多角色協作
    8.4.2 多模型多角色協作
  8.5 本章總結
第9章 反彙編逆向Agent實戰
  9.1 項目簡介與設計目標
  9.2 系統架構設計
    9.2.1 系統總體結構設計
    9.2.2 系統數據流與調用鏈
  9.3 radare2工具介面封裝
    9.3.1 radare2工具安裝
    9.3.2 radare2分析指令
    9.3.3 工具封裝實現
    9.3.4 工具文檔與註冊
    9.3.5 項目工具列表
  9.4 Prompt與多角色協作機制的設計

    9.4.1 ReAct模板設計
……
第10章 淺談大模型安全應用局限與風險分析
第11章 大模型驅動的安全自動化體系展望
結語

  • 商品搜索：
  • | 高級搜索
首頁│ 新手上路│ 客服中心│ 關於我們│ 聯絡我們│ Top↑│
Copyrightc 1999~2008 美商天龍國際圖書股份有限公司 臺灣分公司. All rights reserved.
營業地址:臺北市中正區重慶南路一段103號1F 105號1F-2F
讀者服務部電話：02-2381-2033 02-2381-1863　時間：週一-週五 10:00-17:00
　服務信箱：bookuu@69book.com 客戶、意見信箱:cs@69book.com
ICP證：浙B2-20060032