發(fā)布時(shí)間：2024-03-08 01:32

　　網(wǎng)絡(luò)流量識(shí)別是常見的網(wǎng)絡(luò)攻擊方式之一,它通過抓取并分析用戶流量進(jìn)而獲得用戶信息(如應(yīng)用類型),侵犯了用戶的隱私,干擾了網(wǎng)絡(luò)系統(tǒng)的正常運(yùn)行。使用網(wǎng)絡(luò)欺騙流量是對(duì)抗網(wǎng)絡(luò)流量識(shí)別的主要方法之一。但現(xiàn)有的網(wǎng)絡(luò)欺騙流量生成技術(shù)存在以下不足:1)隱蔽性較差,容易被攻擊者檢測(cè)識(shí)破;2)往往難以抵御基于深度學(xué)習(xí)的流量識(shí)別攻擊。為此,本文基于深度學(xué)習(xí)模型容易被對(duì)抗樣本欺騙這一發(fā)現(xiàn),提出了一種全新的基于對(duì)抗樣本技術(shù)的網(wǎng)絡(luò)欺騙流量生成方法。該方法將對(duì)抗樣本生成算法作用于預(yù)處理后的網(wǎng)絡(luò)流量,通過對(duì)流量進(jìn)行微小擾動(dòng),進(jìn)而生成不易被檢測(cè)且能有效抵御網(wǎng)絡(luò)流量識(shí)別攻擊的網(wǎng)絡(luò)欺騙流量。目前學(xué)術(shù)界針對(duì)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(luò)流量的自身特點(diǎn)和流量欺騙的應(yīng)用條件,存在實(shí)用性不足的問題。在現(xiàn)有工作基礎(chǔ)之上,本文提出在進(jìn)行流量擾動(dòng)時(shí)應(yīng)充分限制擾動(dòng)發(fā)生的位置和范圍,并針對(duì)多種應(yīng)用場(chǎng)景提出了相應(yīng)的網(wǎng)絡(luò)欺騙流量生成方法。本文的研究內(nèi)容和主要貢獻(xiàn)簡述如下:(1)提出了白盒條件下的對(duì)抗樣本網(wǎng)絡(luò)欺騙流量生成方法。在已獲悉網(wǎng)絡(luò)流量識(shí)別模型先驗(yàn)知識(shí)(比如通過模型擬合等經(jīng)典方式)的前提下,根據(jù)網(wǎng)絡(luò)流量的特點(diǎn),在現(xiàn)有經(jīng)...

【文章頁數(shù)】：81 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖2.8二分類問題的對(duì)抗樣本原理

華中科技大學(xué)碩士學(xué)位論文21其中代表圖像樣本，，代表對(duì)抗擾動(dòng)。分類器()的魯棒性則為：()=Δ(;)‖‖2(2.16)樣本離分類邊界越遠(yuǎn)，2范數(shù)越小，評(píng)測(cè)數(shù)值也就越大，表示魯棒性越強(qiáng)。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(fù)類。如圖2.8所示，可以很....

圖4.6優(yōu)化的二維CNN網(wǎng)絡(luò)架構(gòu)

華中科技大學(xué)碩士學(xué)位論文52圖4.6優(yōu)化的二維CNN網(wǎng)絡(luò)架構(gòu)類似，一維卷積神經(jīng)網(wǎng)絡(luò)詳細(xì)參數(shù)設(shè)置如表格4.6所示。表格4.6一維卷積神經(jīng)網(wǎng)絡(luò)參數(shù)層操作過濾器寬度步長補(bǔ)齊方式1conv+ReLU251same21dmaxpool33same3conv+ReLU251same41dma....

圖4.7損失函數(shù)與分類準(zhǔn)確率曲線圖

華中科技大學(xué)碩士學(xué)位論文52圖4.6優(yōu)化的二維CNN網(wǎng)絡(luò)架構(gòu)類似，一維卷積神經(jīng)網(wǎng)絡(luò)詳細(xì)參數(shù)設(shè)置如表格4.6所示。表格4.6一維卷積神經(jīng)網(wǎng)絡(luò)參數(shù)層操作過濾器寬度步長補(bǔ)齊方式1conv+ReLU251same21dmaxpool33same3conv+ReLU251same41dma....

本文編號(hào)：3921804