网安AI应用

选课速读： COMP7710《网安AI应用》是 昆士兰大学 的公开课程页面。当前可确认的信息包括 2 学分，难度 超难，公开通过率 65%。 页面已整理 12 周教学安排，3 个重点考核，方便你快速判断工作量、考核结构和适配度。 课程简介摘要：Students will learn about preparing the data for machine learning, com。

Students will learn about preparing the data for machine learning, common machine learning techniques and tools (supervised learning, unsupervised learning, deep learning, and large-scale data analysis), and their applications to cybersecurity such as detecting anomalies, detecting known types of attacks like injections, clustering user activities, adversarial learning, etc.

### 📊 课程难度与压力分析 COMP7710 是 UQ 研究生阶段公认的高难度交叉课程。虽然先修要求看似只需基础编程和离散数学，但课程实际上需要大量 ML/DL 理论知识和 Python 实战能力。最大压力来源是 5 次 Homework 的持续输出（Weeks 5-12 几乎每 1-2 周交一次），叠加 Final Project 的开发和 Q&A 准备。Week 7（Deep Learning）和 Week 10（Adversarial Learning）是两个难度高峰——Deep Learning 编码量骤增，Adversarial Learning 概念抽象且需要读论文。最后两周是终极高压期：HW5 + Project Report + Q&A 三线并行。与纯理论课不同，本课的 Q&A Hurdle（30%，min 40%）意味着即使平时作业全满分，答辩表现差也会挂科。 ### 🎯 备考重点与高分策略 Q&A 口头答辩核心考点（必须准备）：① 你的 Project 为什么选这个方法而非其他方法？② Supervised vs Unsupervised 异常检测的优劣？③ 对抗样本（Adversarial Examples）的数学原理（FGSM 公式）；④ 深度学习在安全场景的优势和局限？⑤ 不平衡数据的处理策略和评估指标选择？⑥ 你的模型在真实部署中会面临什么挑战？⑦ Isolation Forest / One-Class SVM / Autoencoder 三种异常检测方法对比。HD 与 Pass 的差距在于回答问题时的深度和批判性思维——不只是说「我用了 Random Forest 因为效果好」，而是能分析为什么在这个数据分布下 RF 比 SVM 更适合，以及局限性是什么。建议准备 20 个可能的 Q&A 问题并写下答案要点。 ### 📚 学习建议与资源推荐 如果 ML 基础薄弱，开课前强烈建议先学 Andrew Ng 的 Machine Learning Specialization（至少前两门）。每周 Lecture 后立刻做对应 Tutorial 实验，不要拖延——因为下周就有新 HW。推荐资源：① Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow（Geron 著，实战导向最佳参考书）；② NSL-KDD / CICIDS2017 数据集文档（理解数据特征含义对做 HW 极其重要）；③ Adversarial Robustness Toolbox (ART) 官方文档（Week 10 对抗学习实验必备）；④ 3Blue1Brown Neural Networks 视频系列（直觉理解 Backprop）。常见误区：把安全场景当成普通 ML 任务处理——安全数据有特殊性（极度不平衡、攻击模式演化、部署时延要求），忽略这些会导致模型在实际中不可用。 ### ⚠️ 作业与 Lab 避坑指南 HW 最常见扣分点：① 数据预处理步骤不完整（特别是不处理类别不平衡直接训练）；② 评估指标选择不当（用 Accuracy 而非 F1-Score/Recall）；③ 代码不可复现（随机种子没固定、数据路径写死）；④ 结果分析太浅（只输出数字不解释原因和安全含义）。建议每次 HW 用 Markdown Cell 写清楚实验思路和结论，不要只有代码。Final Project 建议 Week 8 确定选题、Week 10 完成主体实验、Week 12 前打磨报告。PPT 不超过 15 页，每页一个核心观点。 ### 💬 过来人经验分享 「我最后悔的是低估了 Q&A 的难度——以为只展示 Project 就行，结果老师追问了很多基础理论问题（什么是 Kernel Trick？为什么 LSTM 适合时序数据？），我答得很卡。后来发现 Q&A 不只看项目，是对整门课理解的综合考察。」「5 次 HW 的节奏很密，我建议每次 HW 一拿到就开始做，不要等截止前一天。Week 9 到 Week 12 同时要做 HW + Project，如果之前拖延了就来不及了。」「一句忠告：安全数据的不平衡性是这门课的灵魂——每次实验都要检查类别分布，用 SMOTE 或 Weighted Loss 处理。忽略这一点，你的模型 Accuracy 99% 但实际上什么攻击都没检出。」