# AIforJMUNet

**Repository Path**: happyfaye/AIforJmuNet

## Basic Information

- **Project Name**: AIforJMUNet
- **Description**: 本课程是面向网络空间安全专业开设的课程。课程深度融合网络安全领域的特殊需求与应用场景，旨在构建“经典根基-现代核心-前沿升华”三位一体的知识体系，不仅讲授人工智能的核心原理与方法，更着重探讨“AI赋能安全”与“AI自身安全”的双向循环，培养学生具备人工智能视野的网络安全新型人才，能够运用AI技术解决复杂安全难题，并深刻理解AI系统自身的安全风险与伦理边界。
- **Primary Language**: Python
- **License**: Not specified
- **Default Branch**: master
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 0
- **Forks**: 0
- **Created**: 2026-02-16
- **Last Updated**: 2026-02-16

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

# AIforJMUNet

### **课程内容介绍与具体安排**

#### **一、课程内容介绍**

**1. 课程定位与目标**
本课程是面向网络空间安全专业学生开设的核心前沿课程。课程以经典教材《人工智能导论（第6版）》为知识框架，深度融合网络安全领域的特殊需求与应用场景，旨在构建“经典根基-现代核心-前沿升华”三位一体的知识体系。课程不仅讲授人工智能的核心原理与方法，更着重探讨“AI赋能安全（AI for Security）”与“AI自身安全（Security for AI）”的双向循环，培养学生具备人工智能视野的网络安全新型人才，能够运用AI技术解决复杂安全难题，并深刻理解AI系统自身的安全风险与伦理边界。

**2. 课程模块与逻辑主线**
*   **经典模块（第1-5周）：智能的基石与安全映射**。聚焦人工智能的符号主义与连接主义早期思想，涵盖知识表示、搜索策略与博弈论。本模块重点在于让学生理解AI的经典问题求解范式，并建立其与网络安全基础问题（如威胁情报表示、攻击路径推理、红蓝对抗策略）的内在联系，为后续学习奠定思维基础。
*   **现代模块（第6-11周）：数据驱动的安全革命**。系统深入讲解机器学习与深度学习，这是当前AI赋能网络安全的核心技术支柱。内容从机器学习基础、经典模型（决策树、聚类）过渡到深度神经网络（CNN、RNN/LSTM），并结合入侵检测、恶意软件分析、异常行为发现等真实场景，培养学生利用现代AI技术进行安全建模、检测与分析的实战能力。
*   **前沿模块（第12-15周）：双向视野下的挑战与机遇**。聚焦人工智能与网络安全交叉领域的最新挑战与方向。一方面探讨AI模型面临的安全威胁（对抗攻击、隐私泄露），即“Security for AI”；另一方面探索AI驱动的新一代安全增强技术（隐私计算、深度伪造检测、自动化攻防），即“AI for Security”。引导学生形成批判性思维和前瞻性视野。

**3. 课程特色**
*   **双主线融合**：始终贯穿“利用AI增强安全能力”和“保障AI系统自身安全”两条明确主线。
*   **强专业导向**：所有理论教学均配备网络安全领域的对应案例、应用场景及实践练习，确保学以致用。
*   **思政全程浸润**：将家国情怀、法治意识、工程伦理、创新精神、系统思维等思政元素有机融入各知识单元的教学中。
*   **项目驱动学习**：通过贯穿后段的团队项目，促使学生综合运用所学，完成从理论到实践的综合跃迁。

**4. 预期学习成果**
完成本课程后，学生将能够：
*   阐述人工智能的核心概念、发展历程及主要技术流派。
*   应用经典搜索、博弈论方法分析基础网络安全策略问题。
*   构建并评估用于安全检测的机器学习与深度学习模型。
*   分析AI系统面临的主要安全威胁（如对抗样本）并了解基本防御思路。
*   描述隐私计算、AI驱动自动化攻防等前沿方向的基本思想与应用价值。
*   在团队中协作完成一个AI与网络安全结合的小型项目，并具备良好的技术报告撰写与答辩能力。
*   树立起对AI技术双刃剑属性的深刻认知，具备强烈的科技伦理意识与网络安全使命感。

**5. 考核方式**
*   **平时成绩（30%）**：包含课堂参与、个人作业、阶段测验。
*   **期末个人项目（40%）**：完成一个结合AI与网络安全的研究或原型系统，提交完整项目报告、代码/模型。
*   **期中结对练习（30%）**：综合运用所学知识，针对一个具体的、贴近真实的网络安全场景，以结对方式设计并实现一个AI解决方案的完整方案，提交所有最终交付物（最终版设计报告、代码包、实验分析报告），并进行**成果展示与简短答辩**。

---

#### **二、课程具体安排（共15周，32学时）**

| 周次 | 模块 | 主题 | 核心内容与网络安全结合点 |
| :--- | :--- | :--- | :--- |
| **1** | **经典** | 人工智能绪论：从历史智慧到网安新视野 | AI定义、历史、领域；智能与安全的永恒博弈；课程导引与思政启航。 |
| **2** | **经典** | 知识表示与推理：安全规则的符号化基石 | 一阶谓词逻辑、产生式系统；威胁情报（IOC）、攻击模式（CAPEC）的形式化表示。 |
| **3** | **经典** | 搜索策略（上）：网络空间中的“寻路”攻防 | 状态空间法，广度/深度优先搜索；网络渗透测试中的攻击路径发现与优化。 |
| **4** | **经典** | 搜索策略（下）与博弈：智能对抗中的最优决策 | 启发式搜索（A*），博弈论（Minimax，α-β剪枝）；红蓝对抗策略建模与动态防御决策。 |
| **5** | **经典** | 经典模块回顾、案例研讨与阶段测验 | 知识体系梳理；经典AI在安全中的经典案例剖析；模块测验与讲评。 |
| **6** | **现代** | 机器学习基础（上）：从数据中学习安全模式 | 机器学习流程、评估指标（精准率/召回率权衡）；逻辑回归与安全二分类场景。 |
| **7** | **现代** | 机器学习基础（下）：识别未知与发现异常 | 决策树/随机森林；无监督学习（K-Means， PCA）；恶意软件聚类、用户行为异常检测。 |
| **8** | **现代** | 神经网络入门：连接主义的复兴 | 感知机、多层前馈网络、反向传播（BP）算法；安全领域深度学习框架简介。 |
| **9** | **现代** | 深度学习核心：卷积神经网络（CNN） | CNN原理（卷积、池化）；恶意软件图像分类、网络流量图像化分析。 |
| **9**| **现代** | 深度学习核心：循环神经网络与表示学习 | RNN/LSTM，词嵌入（Word2Vec）；安全日志序列异常检测、威胁情报文本分析。 |
| **10**| **现代** | 现代AI安全应用专题（1）：检测与狩猎 | AI在IDS/IPS、恶意软件全流程分析（静态、动态、可视化）中的系统化应用。 |
| **11**| **现代** | 现代模块综合与实践 | 实操：基于NSL-KDD等数据集的入侵检测建模；期末个人项目启动与构思。 |
| **12**| **前沿** | **AI的安全威胁（Security for AI）** | 对抗性机器学习（对抗样本生成）；模型窃取、数据投毒；AI系统脆弱性认知。 |
| **13**| **前沿** | **AI驱动的安全增强（AI for Security）** | 隐私计算（联邦学习、差分隐私）；深度伪造的生成原理与检测技术。 |
| **14**| **前沿** | 前沿技术概览与融合 | 强化学习在自动化攻防中的应用；大语言模型（LLM）对网络安全的双重影响（赋能与威胁）。 |
| **15**| **前沿** | 课程总结、项目展示与未来展望 | 项目成果答辩；课程总结与知识脉络全景梳理。 |