網(wǎng)絡流量識別是常見的網(wǎng)絡攻擊方式之一,它通過抓取并分析用戶流量進而獲得用戶信息(如應用類型),侵犯了用戶的隱私,干擾了網(wǎng)絡系統(tǒng)的正常運行。使用網(wǎng)絡欺騙流量是對抗網(wǎng)絡流量識別的主要方法之一。但現(xiàn)有的網(wǎng)絡欺騙流量生成技術存在以下不足:1)隱蔽性較差,容易被攻擊者檢測識破;2)往往難以抵御基于深度學習的流量識別攻擊。為此,本文基于深度學習模型容易被對抗樣本欺騙這一發(fā)現(xiàn),提出了一種全新的基于對抗樣本技術的網(wǎng)絡欺騙流量生成方法。該方法將對抗樣本生成算法作用于預處理后的網(wǎng)絡流量,通過對流量進行微小擾動,進而生成不易被檢測且能有效抵御網(wǎng)絡流量識別攻擊的網(wǎng)絡欺騙流量。目前學術界針對這類方法的研究才剛剛興起。已提出的方法由于沒有考慮網(wǎng)絡流量的自身特點和流量欺騙的應用條件,存在實用性不足的問題。在現(xiàn)有工作基礎之上,本文提出在進行流量擾動時應充分限制擾動發(fā)生的位置和范圍,并針對多種應用場景提出了相應的網(wǎng)絡欺騙流量生成方法。本文的研究內容和主要貢獻簡述如下:(1)提出了白盒條件下的對抗樣本網(wǎng)絡欺騙流量生成方法。在已獲悉網(wǎng)絡流量識別模型先驗知識(比如通過模型擬合等經(jīng)典方式)的前提下,根據(jù)網(wǎng)絡流量的特點,在現(xiàn)有經(jīng)...

【文章頁數(shù)】：81 頁

【學位級別】：碩士

【部分圖文】：

圖2.8二分類問題的對抗樣本原理

華中科技大學碩士學位論文21其中代表圖像樣本，，代表對抗擾動。分類器()的魯棒性則為：()=Δ(;)‖‖2(2.16)樣本離分類邊界越遠，2范數(shù)越小，評測數(shù)值也就越大，表示魯棒性越強。以二分類器為例，它的分類邊界為={∶()=0}，分界線的兩邊分別為正負類。如圖2.8所示，可以很....

圖4.6優(yōu)化的二維CNN網(wǎng)絡架構

華中科技大學碩士學位論文52圖4.6優(yōu)化的二維CNN網(wǎng)絡架構類似，一維卷積神經(jīng)網(wǎng)絡詳細參數(shù)設置如表格4.6所示。表格4.6一維卷積神經(jīng)網(wǎng)絡參數(shù)層操作過濾器寬度步長補齊方式1conv+ReLU251same21dmaxpool33same3conv+ReLU251same41dma....

圖4.7損失函數(shù)與分類準確率曲線圖

華中科技大學碩士學位論文52圖4.6優(yōu)化的二維CNN網(wǎng)絡架構類似，一維卷積神經(jīng)網(wǎng)絡詳細參數(shù)設置如表格4.6所示。表格4.6一維卷積神經(jīng)網(wǎng)絡參數(shù)層操作過濾器寬度步長補齊方式1conv+ReLU251same21dmaxpool33same3conv+ReLU251same41dma....

本文編號：3921804