本文關(guān)鍵詞：基于遺傳算法的隱馬爾可夫模型及其在證據(jù)融合中的應(yīng)用

  更多相關(guān)文章： 網(wǎng)絡(luò)取證 證據(jù)融合 自適應(yīng) 遺傳算法 隱馬爾可夫模型

【摘要】：迅猛發(fā)展的網(wǎng)絡(luò)技術(shù)在帶給人們高效和便利的同時(shí),網(wǎng)絡(luò)犯罪的數(shù)量逐年增多,網(wǎng)絡(luò)取證受到越來越多的關(guān)注,而證據(jù)融合作為網(wǎng)絡(luò)取證的一個(gè)重要過程,其生成證據(jù)鏈?zhǔn)翘岣呔W(wǎng)絡(luò)取證證據(jù)有效性的關(guān)鍵。本文介紹了網(wǎng)絡(luò)取證證據(jù)融合的國內(nèi)外研究現(xiàn)狀,文中首先闡述了隱馬爾可夫模型的原理和它的三個(gè)基本問題以及求解算法。然后將隱馬爾可夫模型應(yīng)用于證據(jù)鏈的構(gòu)造中,并利用林肯實(shí)驗(yàn)室數(shù)據(jù)進(jìn)行實(shí)驗(yàn)驗(yàn)證。由于隱馬爾可夫模型對初始參數(shù)的敏感,引入兩種遺傳算法(Genetic Algorithm,GA)分別對其進(jìn)行優(yōu)化,并通過實(shí)驗(yàn)對比兩種遺傳算法各自優(yōu)越性。最后研究并實(shí)現(xiàn)了基于隱馬爾可夫模型(Hidden Markov Model,HMM)的證據(jù)融合方法。本文主要進(jìn)行了如下研究:(1)針對隱馬爾可夫模型傳統(tǒng)訓(xùn)練算法易收斂于局部最優(yōu)解的問題,提出一種通過區(qū)間變量偏離度尋找人工誘導(dǎo)基因的自適應(yīng)引導(dǎo)進(jìn)化遺傳算法,使得遺傳過程通過維持種群的多樣性達(dá)到全局搜索并提高HMM個(gè)體質(zhì)量的目的。(2)針對遺傳算法的全局收斂性在很大程度上受遺傳操作之間相互作用的影響問題,提出一種在宏觀和微觀不同角度度量種群多樣性的方法。并將其應(yīng)用于HMM參數(shù)訓(xùn)練過程,同時(shí)將改進(jìn)后的HMM參數(shù)訓(xùn)練方法用在網(wǎng)絡(luò)取證證據(jù)融合中的證據(jù)鏈構(gòu)造中,推測出最有可能的元證據(jù)序列產(chǎn)生證據(jù)鏈,減少了遺傳算法在收斂性上受遺傳操作之間相互作用的影響,并且使得訓(xùn)練的HMM參數(shù)更能有效的推測出證據(jù)鏈。(3)設(shè)計(jì)并實(shí)現(xiàn)改進(jìn)HMM在證據(jù)融合中的應(yīng)用。將改進(jìn)后的HMM應(yīng)用到網(wǎng)絡(luò)取證證據(jù)融合模塊中。根據(jù)需求采集所需疑似證據(jù),對疑似證據(jù)數(shù)據(jù)進(jìn)行聚合得到元證據(jù),運(yùn)用改進(jìn)的HMM證據(jù)融合算法推算出最有可能的元證據(jù)序列,將原始證據(jù)回溯到證據(jù)序列中,得到相應(yīng)的證據(jù)鏈。最后在證據(jù)報(bào)告中以圖表的形式展示證據(jù)鏈。
【關(guān)鍵詞】：網(wǎng)絡(luò)取證 證據(jù)融合 自適應(yīng) 遺傳算法 隱馬爾可夫模型
【學(xué)位授予單位】：山東師范大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2016
【分類號】：TP18;O211.62;D918.2
【目錄】：

• 摘要6-7
• Abstract7-8
• 第一章 緒論8-14
• 1.1 研究背景及意義8-9
• 1.2 研究現(xiàn)狀9-11
• 1.2.1 證據(jù)融合相關(guān)研究現(xiàn)狀9-10
• 1.2.2 隱馬爾可夫模型相關(guān)研究現(xiàn)狀10
• 1.2.3 遺傳算法研究現(xiàn)狀10-11
• 1.3 論文主要研究工作11
• 1.4 論文的組織結(jié)構(gòu)11-14
• 第二章 相關(guān)理論基礎(chǔ)14-22
• 2.1 遺傳算法概述14-16
• 2.1.1 遺傳算法的基本思想14
• 2.1.2 遺傳算法的基本操作14-15
• 2.1.3 遺傳算法的實(shí)現(xiàn)15-16
• 2.2 隱馬爾可夫模型概述16-20
• 2.2.1 Markov鏈16-17
• 2.2.2 HMM的概念17
• 2.2.3 HMM的三個(gè)問題17-20
• 2.3 本章小結(jié)20-22
• 第三章 基于自適應(yīng)誘導(dǎo)進(jìn)化遺傳算法的HMM訓(xùn)練模型22-30
• 3.1 自適應(yīng)誘導(dǎo)進(jìn)化遺傳算法22-24
• 3.1.1 問題描述22
• 3.1.2 自適應(yīng)誘導(dǎo)進(jìn)化思想22-23
• 3.1.3 自適應(yīng)誘導(dǎo)進(jìn)化實(shí)現(xiàn)步驟23-24
• 3.2 自適應(yīng)誘導(dǎo)進(jìn)化遺傳算法的HMM訓(xùn)練模型24-26
• 3.2.1 自適應(yīng)遺傳算法參數(shù)設(shè)定24
• 3.2.2 HMM參數(shù)訓(xùn)練過程24-26
• 3.2.3 改進(jìn)遺傳算法操作HMM訓(xùn)練模型26
• 3.3 實(shí)驗(yàn)及結(jié)果分析26-28
• 3.4 本章小結(jié)28-30
• 第四章 基于自適應(yīng)遺傳算法優(yōu)化HMM的證據(jù)融合方法30-38
• 4.1 改進(jìn)HMM的證據(jù)融合方法30-34
• 4.1.1 自適應(yīng)遺傳算法30-31
• 4.1.2 基于自適應(yīng)遺傳算法優(yōu)化HMM31-33
• 4.1.3 證據(jù)融合算法33-34
• 4.2 實(shí)驗(yàn)及結(jié)果分析34-37
• 4.3 本章小結(jié)37-38
• 第五章 證據(jù)融合在網(wǎng)絡(luò)取證系統(tǒng)中的設(shè)計(jì)與實(shí)現(xiàn)38-46
• 5.1 總體設(shè)計(jì)38-39
• 5.2 系統(tǒng)實(shí)現(xiàn)39-42
• 5.2.1 客戶端網(wǎng)絡(luò)數(shù)據(jù)包采集與證據(jù)提交39-40
• 5.2.2 服務(wù)器端的分析與融合40-42
• 5.3 實(shí)例分析42-44
• 5.4 本章小結(jié)44-46
• 第六章 總結(jié)與展望46-48
• 6.1 本文總結(jié)46
• 6.2 展望46-48
• 參考文獻(xiàn)48-52
• 攻碩期間發(fā)表論文及科研成果52-54
• 致謝54

，

本文編號：755027