20189218 2018-2019-2 《密码与安全新技术专题》第5周作业 _深度

2-2019-2 《密码与安全新技术专题》第5周作业
课程：基于深度学习的密码分析与设计初探
班级： 1892
姓名：冯乾
学号：
上课教师：金鑫
上课日期：2019年3月16日
必修/选修：选修
1.本次讲座的学习总结
本次讲座集中在以下四点内容：
工智能将是下一代安全解决方案的核心。随着数据量、数据传输速度以及监控和管理的数量以指数速率加速，人工智能安全将是未来网络安全的关键组成部分。
机器学习（）
机器学习的萌芽诞生与19世纪60年代，20年前开始逐渐兴起，他是一门跨学科的交融。这里面包含了概率论、统计学等等学科。随着计算机硬件的提升，计算机运算速度的不断提高，它真正开始计入我们的日常生活当中。而在不久的将来，它已经成为我们生活中必不可少的组成元素。目前所有机器学习算法大概有以下几种：
1.有监督学习
监督学习涉及一组标记数据。计算机可以使用特定的模式来识别每种标记类型的新样本。监督学习的两种主要类型是分类和回归。在分类中，机器被训练成将一个组划分为特定的类。比如说给计算机看猫和狗的图片，告诉计算机那些图片里是猫，那些是狗，然后在让它学习去分辨猫和狗。通过这种指引的方式，让计算机学习我们是如何把这些图片数据对应上图片所代表的物体。也就是让计算机学习这些标签可以代表哪些图片。我们所熟知的神经网络就是一种监督学习的方式。

文章插图
2.无监督学习
在无监督学习中，数据是无标签的。由于大多数真实世界的数据都没有标签，这些算法特别有用。无监督学习分为聚类和降维。聚类用于根据属性和行为对象进行分组。这与分类不同，因为这些组不是你提供的。聚类的一个例子是将一个组划分成不同的子组(例如，基于年龄和婚姻状况)，然后应用到有针对性的营销方案中。降维通过找到共同点来减少数据集的变量。大多数大数据可视化使用降维来识别趋势和规则。在上面的这种学习过程中，我们只给计算机提供猫和狗的图片，但是并没有告诉它那些是猫那些是狗。取而代之的是，我让它主机去判断和分类。让它自己总结出这两种类型的图片的不同之处。这就是一种“无监督学习” 。
3.强化学习
强化学习研究学习器在与环境的交互过程中，如何学习到一种行为策略，以最大化得到的累积奖赏。与前面我们提到的其它学习问题的不同在于，强化学习处在一个对学习器的行为进行执行和评判的环境中：环境将执行学习器的输出，发生变化，并且反馈给学习器一个奖赏值；同时学习器的目标并不在于最大化立即获得的奖赏，而是最大化长期累积的奖赏。例如在俄罗斯方块游戏中，学习器所处的环境为游戏规则，学习器根据当前游戏的状态输出动作，以游戏得分作为每一次动作的奖赏，学习器需要最大化最终的奖赏总和。

文章插图
机器学习的步骤
通常学习一个好的函数，分为以下三步：
选择一个合适的模型，这通常需要依据实际问题而定，针对不同的问题和任务需要选取恰当的模型，模型就是一组函数的集合。判断一个函数的好坏，这需要确定一个衡量标准，也就是我们通常说的损失函数（Loss ），损失函数的确定也需要依据具体问题而定，如回归问题一般采用欧式距离，分类问题一般采用交叉熵代价函数。找出“最好”的函数，如何从众多函数中最快的找出“最好”的那一个，这一步是最大的难点，做到又快又准往往不是一件容易的事情。常用的方法有梯度下降算法，最小二乘法等和其他一些技巧（）。