基于知识图谱的恶意用户筛选算法研究

如今互联网产业不断发展,诞生了面向广大用户的各类软件及网站,野蛮生长的同时安全需求也随之增加。除了常规的安全威胁以外,部分恶意用户的存在也是一个不容忽视的问题,恶意用户混杂在普通用户间进行操作增加了不必要甚至危险的数据流量,也影响了面向普通用户的各类学习算法的结果。而恶意用户间的外在联系以及恶意用户自身各项属性所带来的内在关联在提取后满足知识图谱构建的数据结构,且知识图谱可以根据实体间的关系进行知识推理,因此论文使用知识图谱相关算法来实现对于恶意用户的筛选,并通过仿真试验对使用知识图谱算法筛选恶意用户是否具有可行性进行了论证。     

基于深度学习的可扩展Android恶意软件检测和分类方案

Android操作系统是目前移动设备中的主流操作系统之一。它拥有庞大的用户群,因此也出现了许多恶意的Android软件。每年,研究人员都会提出一些新的Android恶意软件分析框架来防御现实世界的Android恶意软件应用程序。论文使用主流的深度学习算法,构建了合适的神经网络,并在网络层之间增加修正线性单元,实现了Android恶意软件的检测和分类。通过对网络的训练,最终得到了一个比较好的恶意检测器（二元分类器）和三个多分类器的结果——基于静态恶意软件二分类器的准确率为95.74%,多分类器的准确率为92.98%,基于动态的恶意软件大类多分类器的准确率为84.48%,基于动态的恶意软件家族小类多分类器的准确率为60.34%。     

基于随机森林的IP地址城市级定位方法研究

针对传统IP地址定位方法准确度低的问题,提出了一种基于随机森林的IP地址城市级定位方法.该方法分析了IP自身特点及IP间存在关系,分别对经过路由特征和地域触发特征进行了定义,并通过主动测量提取IP多维度特征,然后结合机器学习的思想训练构建分类器,以实现对IP所处城市的定位.在此基础上,利用真实的IP地址数据集对所提定位方法进行实证分析.实验结果表明,基于随机森林的IP地址城市级定位方法可以实现IP在物理空间上到城市级的精准定位,且定位结果与主流IP定位工具一致.此外,该方法模型训练时间短且无需进行复杂调优,在保证定位可信度的前提下运行耗时少,具有更高的实际应用价值.     

基于神经网络的参差MTI无模糊测速

针对MTI(Moving Target Identification,动目标显示)脉冲串线性处理方法速度模糊严重的情况,应用BP(Back Propagation,反向传播)神经网络对参差MTI的速度模糊函数进行优化.通过神经网络的非线性映射能力,使MTI参差脉冲串的多普勒响应接近理想的狄拉克函数,从而解决了传统线性方法对于参差脉冲测速的模糊.仿真结果表明,对于某典型6脉冲MTI回波序列,测速精度可达到5m/s.     

基于层次时空特征与多头注意力的恶意加密流量识别

为实现互联网全面加密环境下的恶意加密流量精确检测,针对传统识别方法较依赖专家经验且对加密流量特征的区分能力不强等问题,提出一种基于层次时空特征与多头注意力(HST-MHSA)模型的端到端恶意加密流量识别方法.基于流量层次结构,结合长短时记忆网络和TextCNN有效整合加密流量的多尺度局部特征和双层全局特征,并引入多头注意力机制进一步增强关键特征的区分度.在公开数据集CICAndMal2017上的实验结果表明,HST-MHSA模型的流量识别F1值相较基准模型最高提升了16.77个百分点,漏报率比HAST-Ⅱ和HABBiLSTM模型分别降低了3.19和2.18个百分点,说明其对恶意加密流量具有更强的表征和识别能力.     

基于高价值域名的诈骗网站识别深度学习系统

目前诈骗网站检测识别多基于网站域名、URL等文本特征以及网站源码特征,缺乏对诈骗网站生存、传播行为和网页结构特征的分析利用.基于诈骗网站存活周期短、域名劫持、社交分享这三类特征,探索研究了三种高业务价值域名数据集提取算法,旨在提高集中发现诈骗网站域名的效率.同时利用诈骗网站网页结构(快照)上的相似性特征,结合目前较为火热的卷积神经网络,对相关特征进行提取和检测.设计并实现了一套基于高价值域名数据的诈骗网站识别深度学习系统.实验结果表明,本套系统能够有效提取高价值域名数据,具备较强的诈骗网站识别能力.     

基于层次时空特征与多头注意力的恶意加密流量识别

为实现互联网全面加密环境下的恶意加密流量精确检测,针对传统识别方法较依赖专家经验且对加密流量特征的区分能力不强等问题,提出一种基于层次时空特征与多头注意力(HST-MHSA)模型的端到端恶意加密流量识别方法.基于流量层次结构,结合长短时记忆网络和TextCNN有效整合加密流量的多尺度局部特征和双层全局特征,并引入多头注意力机制进一步增强关键特征的区分度.在公开数据集CICAndMal2017上的实验结果表明,HST-MHSA模型的流量识别F1值相较基准模型最高提升了16.77个百分点,漏报率比HAST-Ⅱ和HABBiLSTM模型分别降低了3.19和2.18个百分点,说明其对恶意加密流量具有更强的表征和识别能力.