【摘要】：TOR(The Onion Router)網(wǎng)絡(luò)是廣泛使用的一款基于鏈路的低延遲且開源免費(fèi)的匿名通信網(wǎng)絡(luò)軟件。然而,它的普及也使得網(wǎng)絡(luò)的犯罪層出不窮難以監(jiān)管。網(wǎng)站指紋分析技術(shù)作為當(dāng)前針對(duì)TOR網(wǎng)絡(luò)去匿名化分析最有效的手段,其準(zhǔn)確率一直受限于人工構(gòu)建的特征集。特征集的構(gòu)建要求使用者必須具備豐富的經(jīng)驗(yàn)和專家知識(shí)�；诂F(xiàn)階段網(wǎng)站指紋分類技術(shù)受限于人工分析特征的缺點(diǎn),提出了利用神經(jīng)網(wǎng)絡(luò)自學(xué)習(xí)特征的網(wǎng)站指紋分類模型。論文首先提出了一種TCP(Transmission Control Protocol)層之上數(shù)據(jù)表示方式,能夠更好的反應(yīng)TOR匿名網(wǎng)絡(luò)的數(shù)據(jù)傳輸。之后,基于新的數(shù)據(jù)表示方式提出了一種基于長短期記憶神經(jīng)網(wǎng)絡(luò)的網(wǎng)站指紋分類模型用于擬合網(wǎng)絡(luò)數(shù)據(jù)包序列的有序特征和難以量化分析的時(shí)間特征。最后,在長短期記憶神經(jīng)網(wǎng)絡(luò)模型的實(shí)驗(yàn)基礎(chǔ)上結(jié)合神經(jīng)網(wǎng)絡(luò)普遍面臨的數(shù)據(jù)限制問題,構(gòu)建了一種新的基于卷積神經(jīng)網(wǎng)絡(luò)的網(wǎng)站指紋分析模型。其核心思想在于利用空洞卷積提高神經(jīng)網(wǎng)絡(luò)的感受視野,提高模型表現(xiàn)。根據(jù)上述的想法實(shí)現(xiàn)了原型系統(tǒng),并對(duì)原型系統(tǒng)進(jìn)行了測試。實(shí)驗(yàn)結(jié)果表明,基于神經(jīng)網(wǎng)絡(luò)的網(wǎng)站指紋分析模型比傳統(tǒng)的人工模型更加健壯,更能擬合TOR網(wǎng)絡(luò)數(shù)據(jù)包序列的特征,尤其是在更符合實(shí)際環(huán)境的open_world測試中比傳統(tǒng)模型高出3%-4%。與同類型的自學(xué)習(xí)特征的其他神經(jīng)網(wǎng)絡(luò)模型比較中,論文構(gòu)建的神經(jīng)網(wǎng)絡(luò)分類模型也表現(xiàn)更優(yōu)。最后,通過對(duì)卷積神經(jīng)網(wǎng)絡(luò)中的空洞卷積的有效性進(jìn)行了測試,證明了將TOR網(wǎng)絡(luò)數(shù)據(jù)包視為有序序列能夠有效提高網(wǎng)站指紋模型的表現(xiàn)。綜上所述,利用神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)TOR網(wǎng)絡(luò)數(shù)據(jù)包序列的特征是高效可行的。
【學(xué)位授予單位】：華中科技大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2019
【分類號(hào)】：TP183;TP393.08
【圖文】：

CNN 網(wǎng)絡(luò)相較于 LSTM 能夠處理較大維度的輸入數(shù)據(jù)，避免了對(duì)數(shù)據(jù)進(jìn)行截?cái)嗪吞幚頃r(shí)造成的數(shù)據(jù)信息丟失。訓(xùn)練的時(shí)間花費(fèi)和硬件花費(fèi)相較于 LSTM 來說也減少了很多。但是將 CNN 網(wǎng)絡(luò)用于處理 TOR 網(wǎng)絡(luò)數(shù)據(jù)包序列也存在著一些問題。最大的問題就是 CNN 網(wǎng)絡(luò)會(huì)丟失到輸入數(shù)據(jù)之間的聯(lián)系和特征。CNN 網(wǎng)絡(luò)將輸入數(shù)據(jù)的每個(gè)點(diǎn)都視為一個(gè)個(gè)獨(dú)立的點(diǎn)，點(diǎn)與點(diǎn)之間的聯(lián)系被其全部忽略了。這樣的處理顯然不符合具有有序特征的數(shù)據(jù)包序列。當(dāng)用戶訪問特定的目標(biāo)網(wǎng)站時(shí)，依據(jù) HTTP 協(xié)議的工作機(jī)制，瀏覽器會(huì)依次加載不同的內(nèi)容。這些內(nèi)容會(huì)因?yàn)榫W(wǎng)站內(nèi)容的更新而發(fā)生變化，但是加載的順序確是相對(duì)固定。如果 CNN 網(wǎng)絡(luò)在處理數(shù)據(jù)時(shí)丟失掉了這些重要的順序信息，那么必然會(huì)影響最終的分類準(zhǔn)確率。針對(duì) CNN 網(wǎng)絡(luò)處理 TOR 網(wǎng)絡(luò)數(shù)據(jù)序列時(shí)的難點(diǎn)，本文對(duì) CNN 網(wǎng)絡(luò)進(jìn)行調(diào)整以便其能更好的學(xué)習(xí)到 TOR 網(wǎng)絡(luò)數(shù)據(jù)包序列的特征。3.5.2.1 提高 CNN 網(wǎng)絡(luò)的感受視野

圖 3-8 空洞卷積如圖3-8所示，圖a表示當(dāng)空洞參數(shù)設(shè)為1時(shí)，此時(shí)的卷積和正常的卷積沒有區(qū)別。圖 b 中則將空洞參數(shù)設(shè)為 2，此時(shí)可以將其看作 7 x 7 大小的 kernel，但是這個(gè)卷積核中只有 9 個(gè)點(diǎn)的參數(shù)不為 0，其他的參數(shù)值都是 0�，F(xiàn)在的實(shí)際參數(shù)只有 3 x 3 但此時(shí)的感受野卻增加到了 7 x 7。如果將圖 a 看作是圖 b 卷積層的前一層的話，那么每個(gè)紅點(diǎn)可以看作是圖 a 的卷積輸出，那么將圖 a 和圖 b 這兩個(gè)卷積層堆疊在一起就能達(dá)到 7X 7 的感受視野。同理將圖 c 堆疊在圖 a 和圖 b 之后就能在同樣參數(shù)規(guī)模的卷積核下使神經(jīng)元的感受視野增加到了 15 x 15。相較于傳統(tǒng)的卷積操作中神經(jīng)元的感受野隨著層數(shù)的增加而線性增加的情況

圖 4-1 CNN 模型示意圖CNN 模型的其他參數(shù)如表 4-4 所示，由于 CNN 網(wǎng)絡(luò)的輸入維度必須固定，因此文將 CNN 網(wǎng)絡(luò)的輸入維度設(shè)為 4000，這使得數(shù)據(jù)集中的 2750 條訪問數(shù)據(jù)包序列需被截?cái)啵?5250 條訪問數(shù)據(jù)包序列需要被填充。注意：使用 0 來填充數(shù)據(jù)包序列。 后網(wǎng)絡(luò)的學(xué)習(xí)率會(huì)隨著訓(xùn)練的進(jìn)程而進(jìn)行衰減，每 50 個(gè) epoch 衰減 0.1。表 4-4 CNN 參數(shù)說明Epoc Inputs Batch Opt LR Layers Drop_conv Drop_dense200 4000 50 Rmsprop 0.0001 12 0.1 0.5如圖 4-2 所示，為了測試空洞卷積對(duì)于模型準(zhǔn)確率的影響，本文建立了另一個(gè)層的 CNN 網(wǎng)絡(luò)模型，用于對(duì)比不同空洞卷積參數(shù)下的模型表現(xiàn)。對(duì)比模型中，所有參數(shù)設(shè)置都與原模型相同，只是減小了模型的層數(shù)使得空洞卷積的參數(shù)只循環(huán)了2次這樣兩個(gè)模型在神經(jīng)元的感受視野就會(huì)有差距，通過比較不同感受視野下的模型表從而驗(yàn)證學(xué)習(xí)數(shù)據(jù)包序列之間聯(lián)系的重要性，說明在構(gòu)建 CNN 網(wǎng)絡(luò)時(shí)加入空洞卷積

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 胡悅;;金融市場中的神經(jīng)網(wǎng)絡(luò)拐點(diǎn)預(yù)測法[J];金融經(jīng)濟(jì);2017年18期

2 遲惠生;陳珂;;1995年世界神經(jīng)網(wǎng)絡(luò)大會(huì)述評(píng)[J];國際學(xué)術(shù)動(dòng)態(tài);1996年01期

3 王方;苗放;陳墾;;基于優(yōu)化神經(jīng)網(wǎng)絡(luò)的地質(zhì)災(zāi)害監(jiān)測預(yù)警仿真[J];計(jì)算機(jī)仿真;2019年11期

4 馬猛;王明紅;;基于進(jìn)化神經(jīng)網(wǎng)絡(luò)的304不銹鋼車削加工表面粗糙度預(yù)測[J];輕工機(jī)械;2019年06期

5 莊連生;呂揚(yáng);楊健;李厚強(qiáng);;時(shí)頻聯(lián)合長時(shí)循環(huán)神經(jīng)網(wǎng)絡(luò)[J];計(jì)算機(jī)研究與發(fā)展;2019年12期

6 李杰;孫仁誠;;幾種典型卷積神經(jīng)網(wǎng)絡(luò)的權(quán)重分析與研究[J];青島大學(xué)學(xué)報(bào)(自然科學(xué)版);2019年04期

7 岳新;杜玉紅;蔡文超;;基于GA-BP神經(jīng)網(wǎng)絡(luò)異纖分揀機(jī)檢測參數(shù)優(yōu)化[J];棉紡織技術(shù);2020年01期

8 趙偉榮;李慧;;基于集成神經(jīng)網(wǎng)絡(luò)的織物主觀風(fēng)格預(yù)測研究[J];紡織科技進(jìn)展;2020年01期

9 李金堂;;試析神經(jīng)網(wǎng)絡(luò)技術(shù)在機(jī)械工程中的應(yīng)用及發(fā)展[J];網(wǎng)絡(luò)安全技術(shù)與應(yīng)用;2020年02期

10 吳立可;;脈沖神經(jīng)網(wǎng)絡(luò)和行為識(shí)別[J];通訊世界;2018年12期

相關(guān)會(huì)議論文 前10條

1 孫軍田;張U

本文編號(hào)：2758622