物聯網安全與深度學習技術

本書從物聯網技術發展現狀、體系架構及演進趨勢入手，設計物聯網安全架構；在對物聯網典型安全事件進行回顧的基礎上，梳理物聯網安全問題分類，提煉安全威脅和安全需求，提出物聯網安全體系框架，引出物聯網身份安全的重要性；深入介紹物聯網安全認證技術，從傳統身份認證機制、物聯網身份認證方法入手，對基於生物特徵的物聯網身份認證方法和基於深度學習的聲紋識別技術進行詳細描述；介紹了生物特徵識別技術中能夠實用化、商業化的深度學習算法，並對典型的深度學習框架和平臺進行了分析。

第1 章物聯網技術基礎 001
1 1 物聯網發展現狀 001
1 1 1 美國                            001
1 1 2 歐盟                            002
1 1 3 日本                            002
1 1 4 韓國                            003
1 1 5 中國                            003
1 2 物聯網體系架構                           004
1 2 1 感知層                            005
1 2 2 網絡層                            005
1 2 3 應用層                            006
1 3 物聯網信息的三大特性                      007
1 3 1 高敏感性                           007
1 3 2 高可靠性                           007
1 3 3 高關聯性                           007
1 4 物聯網體系架構的發展                      008
1 5 小結                                 011

第2 章物聯網安全架構                           012
2 1 引言                                012
2 2 物聯網典型安全事件                        012
2 2 1 事件回顧                           012
2 2 2 事件分析                           016
2 3 物聯網安全問題分類                        017
2 3 1 互聯網引入的安全問題                  017
2 3 2 物聯網場景下的互聯網“安全”問題           017
2 3 3 物聯網引入的安全問題                  017
2 3 4 物聯網自身的安全問題                  018
2 4 物聯網安全威脅分析                        018
2 4 1 感知層安全威脅                       019
2 4 2 網絡層安全威脅                       020
2 4 3 應用層安全威脅                       022
2 5 物聯網安全需求分析                        023
2 5 1 縱橫聯動的一體化安全保障支撐             024
2 5 2 感知層傳感器設備的身份鑑別與數據防護         026
2 5 3 網絡層異構網絡規模化安全互聯與全網統一監管    027
2 5 4 應用層數據多域安全共享                  028
2 6 物聯網安全體系框架                        029
2 6 1 技術體系                           029
2 6 2 物聯網系統的安全信息流                  036
2 7 小結                                037

第3 章物聯網安全認證技術                        039
3 1 引言                                039
3 2 身份認證方式                           040
3 2 1 基於秘密信息的認證方式                  040
3 2 2 基於信物的認證方式                    041
3 2 3 基於密鑰的認證方式                    041
3 2 4 基於生物特徵的認證方式                  042
3 3 物聯網身份認證的特點                      043
3 3 1 輕量級                            043
3 3 2 非對稱                            043
3 3 3 複雜性                            043
3 4 幾種物聯網身份認證方式                      044
3 4 1 基於RFID 的物聯網身份認證方式            044
3 4 2 基於傳感網絡的物聯網認證方式             044
3 4 3 基於藍牙的感知網絡認證方式              045
3 4 4 基於生物特徵識別的認證方式              045
3 5 基於生物特徵的物聯網身份認證方法               047
3 5 1 生物特徵身份認證流程                  047
3 5 2 指紋識別                           049
3 5 3 人臉識別                           049
3 5 4 虹膜識別                           051
3 5 5 指靜脈識別                         051
3 5 6 聲紋識別                           052
3 6 基於深度學習的聲紋識別技術                   053
3 6 1 概述                            053
3 6 2 聲紋識別的工作原理                    054
3 6 3 聲紋識別的流程                       055
3 6 4 聲紋識別技術的三次突破                  059
3 6 5 基於深度學習的典型聲紋識別算法             060
3 6 6 聲紋識別應用趨勢                     063
3 7 小結                                066
本章參考文獻                               066

第4 章卷積神經網絡技術                         068
4 1 卷積運算                               069
4 2 動機                                072
4 3 池化                                077
4 4 將捲積與池化作為一個無限強的先驗               082
4 5 基本卷積函數的變體                        083
4 6 結構化輸出                             093
4 7 數據類型                               094
4 8 高效的捲積算法                           095
4 9 隨機或無監督的特徵                        096
4 10 小結                                097
本章參考文獻                               098

第5 章序列建模：循環和遞歸網絡                    101
5 1 展開計算圖                             102
5 2 RNN                                105
5 2 1 TEACHER FORCING 和輸出循環網絡             109
5 2 2 計算RNN 的梯度                      111
5 2 3 作為有向圖模型的循環網絡               113
5 2 4 基於上下文的RNN 序列建模               117
5 3 雙向RNN                               119
5 4 基於編碼-解碼的序列到序列架構                  121
5 5 深度RNN                              123
5 6 遞歸神經網絡                           124
5 7 長期依賴的挑戰                           126
5 8 迴聲狀態網絡                           128
5 9 滲漏單元和其他多時間尺度的策略                 130
5 9 1 時間維度的跳躍連接                    130
5 9 2 滲漏單元和一系列時間尺度                131
5 9 3 刪除連接                           131
5 10 長短期記憶和其他門控RNN                    132
5 10 1 長短期記憶                         133
5 10 2 其他門控RNN                      135
5 11 優化長期依賴                           136
5 11 1 截斷梯度                         136
5 11 2 引導信息流的正則化                    138
5 12 外顯記憶                             139
5 13 小結                                142
本章參考文獻                               142

第6 章深度學習框架和平台的分析與對比                 148
6 1 概述                                148
6 2 深度學習框架                           151
6 2 1 TENSORFLOW                          152
6 2 2 CAFFE                              156
6 2 3 PYTORCH                            162
6 2 4 CNTK                            164
6 2 5 MXNET                             166
6 3 深度學習框架的分析與對比                    169
6 3 1 總體分析                           169
6 3 2 深度學習框架的對比                    170
6 3 3 深度學習框架對硬件的利用情況             178
6 4 深度學習平台                           180
6 4 1 華為深度學習服務DLS                    180
6 4 2 阿里深度學習開發平台X-DEEPLEARNING          184
6 4 3 百度深度學習開發平台PADDLE              189
6 4 4 幾種平台的對比                       191
6 5 小結                                192