机器学习在网络安全威胁检测与防御中有广泛的应用。下面是一个简单的示例代码，演示了如何使用机器学习算法（支持向量机）进行恶意网站检测。
import numpy as np
from sklearn import svm
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score
# 加载数据集
data = np.loadtxt("dataset.txt", delimiter=",")
X = data[:, :-1] # 特征
y = data[:, -1] # 标签
# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
# 创建SVM分类器
classifier = svm.SVC()
# 训练模型
classifier.fit(X_train, y_train)
# 预测
y_pred = classifier.predict(X_test)
# 计算准确率
accuracy = accuracy_score(y_test, y_pred)
print(f"Accuracy: {accuracy}")
在这个示例中，我们首先加载了一个包含特征和标签的数据集（例如从恶意和正常网站抓取的特征数据），然后使用train_test_split函数将数据集划分为训练集和测试集。接下来，我们创建一个支持向量机分类器，并使用训练集对其进行训练。最后，我们使用测试集进行预测，并计算准确率来评估模型的性能。
需要注意的是，这只是一个简单的示例代码，实际应用中可能需要更复杂的特征工程和模型选择来提高威胁检测的准确性和鲁棒性。此外，还可以结合其他机器学习算法、深度学习技术以及大规模数据处理方法来进一步提升网络安全威胁检测与防御的效果。
总结起来，机器学习在网络安全威胁检测与防御中的应用可以帮助识别恶意行为、异常流量和未知攻击等，提高网络安全的防御能力。
