基于有限状态机的DNS隐蔽通信模型

DNS(domain name system)作为互联网基础设施的重要组成部分,其数据一般不会被防火墙等网络安全防御设备拦截。以DNS协议为载体的隐蔽信道具有较强的穿透性和隐蔽性,已然成为攻击者惯用的命令控制和数据回传手段。现有研究中缺乏对真实APT(advanced persistent threat)攻击中DNS隐蔽信道的检测技术或方法,且提取的特征不够全面。为深入分析攻击流量和行为特征,基于有限状态机对真实APT攻击中DNS隐蔽通信建模,剖析了APT攻击场景下DNS隐蔽信道的构建机理,详细阐述了其数据交互过程,通过总结和分析DNS隐蔽通信机制,基于有限状态机建立通信模型,提出通信过程中存在关闭、连接、命令查询、命令传输等7种状态,控制消息和数据消息等不同类型消息的传输将触发状态迁移。利用泄露的Glimpse工具模拟真实APT攻击下DNS隐蔽通信,结合Helminth等恶意样本实验验证了模型的适用性和合理性,为人工提取特征提供了充分的依据。     

联合编码模式选择的码率控制算法

本文提出了一种丢包网络中联合信源信道码率控制算法.该算法克服了以往码率控制方法和误码复原技术互不关联的弊病,在统计率失真模型的基础上,联合最优地计算图像级量化参数和寻找最佳宏块编码模式,在给定的受限码率下能充分利用可用信道带宽,使得视频信源编码和信道传输总失真最小.实验结果表明该算法能够获得比传统算法更高的性能增益.     

GreyFan:一种Wi-Fi隐蔽信道攻击框架

针对现实网络中诸如侧信道攻击、HID 攻击等传统的物理攻击，物理隔离被认为是一种较为彻底的抵御网络攻击的安全防护手段。2018 年，业界首次提出了一种物理隔离环境下的 Wi-Fi 隐蔽信道方法——Ghost Tunnel，即在Wi-Fi尚未连接的状态下，无线AP可成功将数据传给发起连接请求的计算机。提出了一种基于Ghost Tunnel方法的攻击框架—— GreyFan，利用该攻击框架攻击者可以对未连接Wi-Fi的用户实施无感知攻击，如文件隐蔽传输、任意代码执行等，并分析了相应的防御技术。     

一种新的跳频信号检测方法

本文针对跳频信号检测的问题,研究并设计了一种新的检测算法.该方法对信道进行由"粗"到"细"的分层检测,降低了很多无谓的资源消耗.文章首先介绍了传统信道化处理的思想并推导出其模型的数学表达式.然后分析了这种模型在跳频信道数较多时难于实现的原因,进而提出分层信道化处理的检测模型.接下来对该模型的运算量进行了推导并与传统结构...     

侧信道原子化的严格自随机化模幂算法

研究了RSA密码算法的差分功耗分析防御方法.通过对自随机化模幂算法的分析,提出将BBS随机数发生器和侧信道原子化技术应用于改进的算法中,得到侧信道原子化的严格自随机化模幂算法.仿真实验结果证明.该方法可以有效防御差分功耗分析攻击.     

相关瑞利信道仿真方法的研究

在无线通信系统的仿真中,相关瑞利衰落信道扮演着重要的作用。一种基于对一系列统计独立的标准高斯随机过程进行线性变换,得到具有一定相关特性的瑞利衰落信道的仿真模型被提出。仿真结果及复杂度分析表明,由于本文提出的仿真模型采用了迭代算法,因此相对于传统的相关瑞利信道仿真模型,该模型具有准确,复杂度低,易实现等优点。     

一种侧信道风险感知的虚拟节点迁移方法

为防御网络切片(NS)中的侧信道攻击(SCA),现有的基于动态迁移的防御方法存在不同虚拟节点共享物理资源的条件过于松弛的问题。该文提出一种侧信道风险感知的虚拟节点迁移方法。根据侧信道攻击的实施特点,结合熵值法对虚拟节点的侧信道风险进行评估,并将服务器上偏离平均风险程度大的虚拟节点进行迁移;采用马尔科夫决策过程描述网络切片虚拟节点的迁移问题,并使用Sarsa学习算法求解出最终的迁移结果。仿真结果表明,该方法将恶意网络切片实例与其他网络切片实例隔离开,达到防御侧信道攻击的目的。     

卫星衰落信道分析与建模

在研究分析传统Rayleigh信道和Rice信道抽头时延模型的基础上,采用两条多径路线代替传统模型,提出一个具有确定数学表达式的简化卫星信道模型,只需对该模型中的两个参数取适当的取值,就可以得到不同的衰落强度和衰落中心频率的卫星信道.理论和仿真结果表明,当时延τ=.63ns,β=0.75时,可以获得的最大衰落幅度为10...     

采用残差变化控制的自适应稀疏信道估计

针对传统压缩感知信道估计对稀疏度信息依赖和稀疏度自适应信道估计在低信噪比时抗噪能力较差的问题,提出了一种采用残差变化控制的稀疏度自适应的压缩感知信道估计算法。该算法在传统的压缩感知信道估计的基础上引入残差变化控制,通过比较每次迭代下的残差变化的幅度来控制信道估计的迭代次数,提高信道估计的自适应性和鲁棒性。同时,为解决传统稀疏度自适应压缩感知信道估计抗噪能力较差的问题,利用正交匹配追踪提高算法的抗噪声性能。相比于传统的稀疏度自适应匹配追踪(Sparsity Adaptive Matching Pursuit, SAMP)算法,所提算法约有4 dB的性能优势,且算法复杂度更低。     

距离无关的室内路径损耗模型的建立

针对传统室内路径损耗依赖于距离以及其信道参数在LOS(视距)和NLOS(非视距)下的不确定性问题,提出了一种室内的纯统计路径损耗模型.该模型以距离作为随机变量,并引入室内路径切换频度表示LOS和NLOS的信道条件,从而消除路径损耗对距离的依赖以及信道参数的不确定性.通过该模型,在毋需知道路径长度的情况下,根据操作空间的半径和室内路径切换频度以及路径损耗的置信度估算出路径损耗,同时该模型也提出了3种服务质量(QoS)以满足不同的客户需求,与总是以最大功率发送信号的传统模型相比大大优化了资源配置.经实例验证表明,此模型应用方便,是一种简单且实用的模型.     

Interference avoidance strategy for ultra dense network with pilot reuse

In the ultra dense network (UDN),the pilot reuse scheme would produce significant interference,which will affect the accuracy of channel estimation.To solve this problem,an interference avoidance strategy for UDN with pilot reuse was proposed.An interference model of subcarriers for UDN was provided and the interference probability of subcarriers was derived.Then,based on the model,a pilot position selection model was proposed and an interference avoidance strategy for UDN with pilot reuse was provided.The simulation results show that compared with the traditional channel estimation algorithm,the channel estimation with proposed interference avoidance strategy can effectively avoid the interference and ensure the accuracy of channel estimation in UDN with pilot reuse.     

无线网络多用户干扰下智能发射功率控制算法

针对无线网络多用户互相干扰的问题,通过对发射功率进行智能控制,实现干扰管理,保证多用户通信服务质量。首先,考虑复杂动态无线信道环境,建立以无线通信系统加权数据速率最大化为目标的发射功率控制模型。其次,设计以深度强化学习"行动器-评判器"为基本架构的智能发射功率控制算法,缩短功率控制决策时间。仿真验证表明,所提算法收敛速度快,在10对收发机场景下,计算时间缩短到传统最优算法的1/4。     

无线网络多用户干扰下智能发射功率控制算法

针对无线网络多用户互相干扰的问题,通过对发射功率进行智能控制,实现干扰管理,保证多用户通信服务质量。首先,考虑复杂动态无线信道环境,建立以无线通信系统加权数据速率最大化为目标的发射功率控制模型。其次,设计以深度强化学习"行动器-评判器"为基本架构的智能发射功率控制算法,缩短功率控制决策时间。仿真验证表明,所提算法收敛速度快,在10对收发机场景下,计算时间缩短到传统最优算法的1/4。     

基于A3C的无线异构网络自适应视频流传输控制方法

比特率自适应（ABR）算法已经成为视频传输中研究的热点之一。然而,由于5G无线异构网络具有信道带宽波动大、不同网络间差异明显等特点,多终端协同的自适应视频流传输面临着巨大挑战。提出了一种基于深度强化学习的自适应视频流传输控制方法。首先,建立了视频流动态规划模型,对传输码率以及分流策略进行联合优化。由于该优化问题的求解依赖于精确的信道估计,这在信道状态动态变化的网络中很难实现。因此,将动态规划问题改进为强化学习任务,并采用A3C算法,动态决策视频码率和分流策略。最后,根据实测的网络数据进行仿真,与传统的优化方法相比,本文所提的方法较好地提高了用户QoE。     

A Dynamic Reservation-Based Call Admission Control Algorithm for Wireless Networks Using the Concept of Influence Curve

In this paper a dynamic channel reservation and call admission control scheme is proposed to provide QoS guarantees in a mobile wireless network using the concept of influence curve. The basic idea behind the proposed scheme is that a moving user, in addition to its requirements in the current cell, exerts some influence on the channel allocation in neighboring cells. Such an influence is related to the moving pattern of the users and is calculated statistically. Furthermore we developed a general analytical model to calculate the corresponding blocking probabilities for wireless networks with multiple platforms, which removes the commonly used assumption that new calls and handoff calls have same channel holding time. The numerical results demonstrate that our scheme outperforms traditional channel reservation schemes and can effectively adapt to the real time network conditions.     

基于稀疏贝叶斯学习的MIMO-OFDM电力线通信系统接收机设计

丰富的脉冲噪声干扰对基于MIMO-OFDM技术的电力线通信系统接收机设计带来了巨大挑战。针对这个问题,提出了一种联合估计电力线信道和脉冲噪声的接收机设计方案。该方案主要利用电力信道多径模型参数在频域上的稀疏性和脉冲噪声在时域上的稀疏性特征,将待估计信道模型参数和脉冲噪声联合视作一个稀疏向量,同时利用MIMO系统的空间相关性,构建了一个基于多测量向量的压缩感知模型,并引入多测量向量稀疏贝叶斯学习理论,设计了一种联合估计MIMO信道模型参数和脉冲噪声的方法。仿真结果表明,与传统的MIMO信道估计与脉冲噪声抑制相互分离的接收机方案相比,新方法在估计性能和误比特率性能上有明显提升。     

自适应高斯融合双通道的去雾算法

针对传统图像去雾算法存在的对比度下降和颜色偏移等问题,提出一种结合高斯融合的自适应双通道雾霾图像复原算法。首先,考虑到大气光应小于有雾图像最大值,且大于有雾图像最小值,根据亮度控制因子自适应控制的方式得到融合中通道,并获得中通道下的局部大气光;其次,提出双通道线性传输,即用最大值通道辅助完成线性传输,再用高斯函数加权融合的方法实现清晰图像最优通道估计,从而得到最优透射率;最后,结合复原模型恢复清晰图像。实验表明,所提方法有效解决了图像对比度下降与颜色偏移等问题,去雾效果良好、亮度适宜且颜色保真度更高。另外,该方法在定量指标上同样具有优越的表现。      

车联网中基于NOMA-MEC的卸载策略研究

随着车联网(IoV)的迅猛发展,请求进行任务卸载的汽车终端用户也逐渐增长,而基于移动边缘计算(MEC)的通信网络能够有效地解决任务卸载在上行传输时延较高的挑战,但是该网络模型同时也面临着信道资源不足的问题。该文引入的非正交多址(NOMA)技术相较于正交多址(OMA)能够在相同的信道资源条件下为更多的用户提供任务卸载,同时考虑到任务卸载过程中多方面的影响因子,提出了混合NOMA-MEC卸载策略。该文设计了一种基于深度学习网络(DQN)的博弈算法,帮助车辆用户进行信道选择,并通过神经网络多次迭代学习,为用户提供最优的功率分配策略。仿真结果表明,该文所提出的混合NOMA-MEC卸载策略能够有效地优化多用户卸载的时延以及能耗,最大限度保证用户效益。     

车联网中基于NOMA-MEC的卸载策略研究

随着车联网(IoV)的迅猛发展,请求进行任务卸载的汽车终端用户也逐渐增长,而基于移动边缘计算(MEC)的通信网络能够有效地解决任务卸载在上行传输时延较高的挑战,但是该网络模型同时也面临着信道资源不足的问题。该文引入的非正交多址(NOMA)技术相较于正交多址(OMA)能够在相同的信道资源条件下为更多的用户提供任务卸载,同时考虑到任务卸载过程中多方面的影响因子,提出了混合NOMA-MEC卸载策略。该文设计了一种基于深度学习网络(DQN)的博弈算法,帮助车辆用户进行信道选择,并通过神经网络多次迭代学习,为用户提供最优的功率分配策略。仿真结果表明,该文所提出的混合NOMA-MEC卸载策略能够有效地优化多用户卸载的时延以及能耗,最大限度保证用户效益。