多种构图方式下的加密流量分类

传统网络流量分类方法难以区分使用VPN加密的网络流量,为了实现加密流量的分类,提出了一种基于多种构图方式的网络流量图像分类方法.研究了5种特殊的构图方式,将加密网络流量转换为流量图像,最后利用卷积神经网络进行分类.通过在自己采集的VPN加密流量数据集和ISCX VPN-nonVPN公开数据集上的实验结果表明,此加密流量...     

一种基于Boosting目标识别方法

Boosting算法是近年来在学习领域出现的用于提高算法精度的方法.由于它的算法简单实用,执行效率高,现已广泛应用于目标识别中.与其他算法不同的是：它不是直接构建一个高精度的算法,而是通过多次学习将弱分类器组成一个强分类器.针对传统识别方法检测率低的特点,提出一种基于集成学习的方法：利用图像目标的片段作为特征,用Boosting方法训练的分类器对目标进行分类.实验结果表明算法具有鲁棒性,对复杂场景中的目标具有较高的识别精度.     

一种基于IDOA-RBF神经网络的正常流量过滤方法

针对全流量检测方式容易使安全检测设备出现性能瓶颈的问题,给出一种使用改进的野狗优化算法来优化径向基函数神经网络的正常流量过滤方法。首先,采用Singer混沌映射和搜索平衡策略对野狗优化算法进行改进;其次,用改进后的野狗优化算法优化RBF神经网络的输出权值,使用CSE-CIC-IDS2018数据集训练网络,构建正常流量过滤模型;最后,在网络流量进入安全检测设备前尽可能多地过滤掉其中正常流量,减轻安全检测设备的工作负担。实验结果表明：与现有的模型相比,IDOA-RBF神经网络的正常流量过滤模型在建模时间上有较大的改善,同时保持较高的识别精度,并且能在需要检测的流量中过滤掉72.9%的正常流量。     

一种基于特征位移的手势识别方法

针对卷积操作受到遍历规则的限制,只能提取单个骨骼节点的特征信息,不能对相邻节点之间的有效特征信息进行融合,导致表达能力有限的问题,提出了一种基于特征位移模块的手势识别神经网络。该网络采用常规时空图卷积神经网络的架构,并将常规时空卷积模块替换为特征位移模块,实现相邻节点特征信息之间的融合。利用特征位移模块对位移信道进行重新排序,实现提取骨骼节点的全局化特征信息,进一步完成对手势信息的高效准确分类。并在公开数据集DHG-14/28和FPHA上验证该特征位移模块,在14类、28类和FPHA手势数据集的分类准确度分别达到了95.11%、93.01%和92.67%。实验结果表明,该网络模型能够更好更有效的挖掘全局特征信息,在常见的手势识别数据集上达到了优秀的性能。     

一种基于图卷积神经网络的加密流量分类方法

深度学习算法被广泛应用于网络流量分类领域并取得较好效果。然而,对抗攻击的出现给其安全性带来了严重威胁,使得当前主流的基于卷积神经网络模型的分类算法的精度严重下降。针对此,本文提出了一种抗流量分类中灰度图对抗攻击的加密流量分类方法。所提方法通过提取数据包负载长度、包序列、方向、簇等流量交互信息构建拓扑图,将加密流量分类问题转化为图分类问题。接着,本文使用基于图卷积神经网络的分类方法进行特征的学习分类,图卷积神经网络模型可以自动从输入的拓扑图中提取特征,将特征映射到嵌入空间中的不同表示来区分不同的图结构。实验结果表明,本文所提方法不仅能够避免对抗攻击,且在公开数据集上的分类性能也较现有典型方法提高了5%以上。     

微型计算机软磁盘的一种加密方法

本文提出磁盘扇区接缝密纹的概念,并给出应用在IBM-PC及其兼容机软磁盘的一种加密方法。经实用表明,效果良好。     

一种实用的多重加密保护方法

利用加密软件对辅助程序进行加密，并将其长度及特定字节写入主程序以备验证，从而实现了对软件的多重加密。     

一种纸质工作票信息快速识别方法

为规范电力作业中“两票”的规范管理问题,提出一种基于深度学习的轻量化图像检测与识别框架,以实现对纸质“两票”图像中的印章及日期信息的快速识别。该框架首先基于YOLOv4网络对印章及日期等关键信息进行检测,然后采用Moblile Netv3和自行设计的Ghost-OCRNet网络进行印章和日期识别;针对日期信息涉及手写与打印字体混合的现状,设计一种轻量化的Ghost-OCRNet识别网络,可对日期进行无分割的序列化识别。实验结果表明所提出的纸质工作票图像识别方法平均运行速度为5.6帧/s(FPS),识别准确率达到93.5%,在保证识别精度的前提下,能够满足实时运行要求。     

基于深度学习的恶意文档可视化检测

为了更加准确、快速地检测恶意PDF与DOCX格式文档,提出一种基于深度学习的恶意文档可视化检测方法。该方法通过马尔可夫模型将文档的字节序列转化为三通道的彩色图,从而获取更能区分恶意文档和良性文档的视觉表征,并采用当前主流的EfficientNet-B0模型对提取的可视化特征进行分类。结合迁移学习领域中的微调技术,将ImageNet上的分类权重应用到EfficientNet-B0模型的训练中,加快检测模型的收敛速度,缩短模型的训练时间。实验证明,在两个数据集上,模型的收敛速度快于随机初始化权重的预训练,且模型对恶意PDF文档和恶意DOCX文档的检测准确率分别达到了99.80%和98.14%,优于ResNet34、MobileNetV2等模型。与主流的恶意文档检测工具Wepawet和PJScan相比,所提出的方法具有更优的综合检测性能,进一步验证了所提出方法对恶意文档检测的有效性。     

A secure model for mobile agent based on encrypted circuit construction

As a new technology, mobile agent (MA) shows a wide application in the field of network technology. However, security has been one of the crucial problems in its application. A new protection model based on a trusted element is presented in this paper. The trusted element, which differs from the traditional trusted hardware such as a smart card or a co-processor, offers a third party service based on an encrypted circuit construction. The procedure of constructing an encrypted circuit is introduced and the method of using the trusted service to protect the MA is also described. An application example is given to show how to use the new model at the end of the paper. Translated from Acta Electronica Sinica, 2006, 34(8): 1 410–1 414 [译自: 电子学报]     

基于VHDL的数字密码锁设计

本文主要介绍运用VHDL技术设计数字密码锁的方法。本设计采用自顶向下的数字系统设计方法,将数字密码锁系统分解为若干子系统,并且进一步细划为若干模块,然后用硬件描述语言VHDL来设计这些模块,并且分别进行软件和硬件的仿真。仿真结果表明:该数字密码锁能够校验3位十进制数密码,且可以预置密码,显示输入密码,具有输入错误指示,解码有效指示等相应的状态指示。该密码锁体积小,功耗低,操作简单,不怕掉电,维护和升级都十分方便,具有较好的应用前景。     

基于机器学习的网络流量特征选择

互联网技术水平不断提高的同时,也带来了日益复杂的网络安全问题,传统地利用端口检测和深度包检测等流量识别技术已经难以应对当下日趋复杂的网络环境.伴随着机器学习理论的成熟,机器学习方法已经成功的应用于图像识别、声音辨别、医疗等各个领域,机器学习使用计算机模拟人类的活动,通过学习现有的知识,建立有效的学习模型,进一步对未知的数据进行预测或者分类.将机器学习方法应用在网络流量识别领域,首先对网络流量识别的研究现状和机器学习作了相关的介绍,其次基于3种机器学习分类算法,对比分析了不同特征选择算法对网络流量识别准确率的影响,提出了改进的特征选择算法,并经过实验验证了改进后特征选择算法的有效性.     

基于FEEMD-SAPSO-BiLSTM组合模型的短时交通流预测

为了提高短时交通流的预测精度和预测速度,基于交通流量序列的不平稳性和随机性,提出了快速集合经验模态分解(fast ensemble empirical mode decomposition,FEEMD)和自然选择自适应变异粒子群算法(selection adaptive particle swarm optimizat...     

基于YOLOv5算法的交通标志识别技术研究

针对传统方式识别交通标志算法存在的检测精度较低的问题,提出了一种改进YOLOv5算法的交通标志识别方法.首先改进YOLOv5算法的损失函数,使用EIOU损失函数代替YOLOv5算法所使用的GIOU损失函数来优化训练模型,提高算法的精度,实现对目标更快速的识别;然后使用加权Cluster非极大值抑制(NMS)改进YOLO...     

基于再励学习和遗传算法的交通信号自组织控制

提出一种将再励学习与遗传算法相结合的遗传再励学习方法对交通信号进行自组织控制,再励学习是针对第五个道路交叉口交通流的优化,修线个信号灯周期的绿性比,而遗传算法产生局部学习过程的全局优化标准,即是修正信号灯周期的大小,这种方法克服了现有的控制方法需要大量数据传输通讯、准确的交通模型等缺陷,将局部优化和全局优化统一起来。通过计算机仿真实验表明了方法有效笥。     

基于谱聚类的网络流量分类识别算法

网络流量分类识别是网络管理与网络安全的基础,但由于动态端口技术,加密传输方式及数据隐私等因素,现有的基于网络端口映射和有效载荷分析的方法在应用中,其准确性和效率都受到了制约。为此,引入谱聚类方法,将网络流量分类识别问题通过聚类思想转化为一个无向图的多路划分问题,并使用图论的思想来解决原问题。实验结果表明该方法具有良好的网络流量分类识别效果,精确度较高,在互联网流量分类中有良好的应用前景。     

具有显著提高准确率和鲁棒性的基于极限学习机的流量分类

流量分类是网络管理员进行网络流量监控从而实现有效管理的重要手段。因此,准确地对流量进行分类具有重要意义。流量分类的两个重要评判标准是分类器的准确率和效率。本文提出了一种准确率高、鲁棒性强的流量分类方案,该方案第一次将最近几年提出的一种新的机器学习算法 极限学习机引入网络流量分类领域进行研究并进行针对性优化。同时也提出了一种自动生成流量分类器训练集的方案,使该系统对新的网络应用具有更强的自适应性和扩展性。本文使用VoIP和WWW流量作为流量分类的两个类别。实验结果表明该方案相比其他文献提出的C4.5,RandomForest,NaiveBayes和KNN具有更高的准确率、稳定性和鲁棒性。其中当测试数据集在训练数据集后当天收集时,本文分类器具有93%的高准确率,其他算法具有类似的准确率;当测试数据集在训练数据集后1月和2月收集时,本文分类器仍保持85%的高准确率,而其它算法的准确率只有大概60%左右,具有较大偏差无法应用到实际的流量分类系统中。实验结果表明,提出的流量分类方案具有准确率高,鲁棒性和扩展性强,可应用到流量分类实践中。