审查规避类加密流量恶意性检测
这是一篇关于审查规避,加密流量,机器学习,生成对抗网络,鲁棒性的论文, 主要内容为恶意软件使用加密流量躲避网络分析和检测已屡见不鲜,而近年来随着审查规避技术日新月异,恶意软件为了更有效地规避网络审查而滥用这一技术不断更新换代,以致审查规避类加密恶意流量呈现出变化迅速、种类多样、攻击性强、隐蔽性高等特点,而且还出现了针对机器学习算法本身的对抗性攻击,导致目前1)针对传统加密恶意流量的特征集已不能保证对审查规避类加密恶意流量的表征能力;2)常用的权威流量数据集无法涵盖日新月异的审查规避类加密恶意流量样本形态;3)静态被动的检测模型呈现出明显的被动性、滞后性和脆弱性,给传统的加密流量恶意性检测方案带来巨大威胁。因此,需要研究一种针对审查规避类加密恶意流量的更高效、更准确,且能抵御对抗性攻击的强鲁棒检测方案。从审查规避型恶意软件的恶意性本质所反映的流量行为入手,结合TLS协议的发展现状,提取了更细节、精准的TLS交互特征,和能够反映恶意软件的隐蔽通讯方式与行为的数据包级特征、数据流级特征和新颖的时空联合特征这三种流量统计特征,构建了区分度高、表征能力强的流量特征集;并使用随机森林和Light GBM机器学习算法构建检测模型,分别验证了TLS交互特征和流量统计特征对于各种审查规避类加密恶意流量的强大表征能力,构建的检测模型在面对不同规避类型的加密恶意流量样本时均能表现出优异性能,分别达到了98.6%和97.8%的准确率。从数据流和TLS Client Hello消息两个层面的相关流量特征入手,利用生成对抗网络技术,批量生成能通过对抗型审查规避类恶意程序的形态验证且保持恶意攻击功能的对抗性规避样本,实验结果表明这些样本使得上一步构建的检测模型准确率下降到7%左右,漏报率蹿升到93%左右,验证了对抗性规避样本强大的伪装能力和优秀的规避效果,并结合常规流量样本集构建了高对抗性流量数据集。同时,鉴于检测模型依然存在“概念漂移”问题,首先设定数据集更新周期,定期加入新收集的常规样本和新生成的对抗性规避样本,淘汰老旧的流量样本,然后定期重新训练检测模型以动态增强并维持模型的鲁棒性,实验结果表明这一方法可以使检测模型的准确率一直保持在95%以上,实现了检测方案从被动到主动的转变,使其在当下和未来均能保持良好的鲁棒性。最后完成了审查规避类加密恶意流量强鲁棒检测方案的原型系统设计与实现,同时开发了B/S架构的Web框架,提高了原型系统的检测效率和使用者的操作体验,并结合SMOTE过采样算法对原型系统进行一定的改进,解决了其在实际网络环境中正负训练集严重不平衡时可能给模型的训练带来偏差的问题;然后将原型系统部署在校园网真实网络环境中并进行各项测试,使用Virus Total辅助证明了原型系统的检测有效性和前瞻性,验证了原型系统符合网络安全人员的实际使用需求。
基于深度学习的图像修复技术研究
这是一篇关于图像修复,深度学习,神经网络,生成对抗网络,多尺度的论文, 主要内容为近些年将深度学习应用于计算机视觉是很热门的研究方向,出现了许多具有实际意义的模型算法,广泛应用到了各行各业。基于深度学习的图像修复,就是其中重要的一项。随着研究的深入,从修复固定矩形形状的区域,到任意形状区域的修复,修复网络的实用性不断提高。另外,修复的结果也越来越逼真,也不再仅仅要求修复出和原图相似的结果,而是扩展到生成风格一致的全新图像,覆盖更多修复场景。但是,仍存在很多问题和改进空间。比如,针对尺寸较大的边缘区域的修复容易出现模糊和不完整,同时补全的内容容易出现单调重复的内容,和原图的一致性也较低。另外,针对较大不规则区域的修复,常出现语义歧义,容易发生色差和变形,纹理细节也不够清晰。为了解决以上问题,本文基于深度学习理论和已有的修复模型,提出了两种图像修复模型,主要研究内容如下:第一,针对大尺寸边缘区域修复时存在的内容模糊问题,论文提出了一种基于多尺度特征的图像修复模型,在保证图像一致性的同时丰富了细节纹理,提高修复区域的清晰度。采用两阶段生成对抗网络结构,第一阶段修复图像的边缘信息,生成黑白边缘信息图像,第二阶段利用第一阶段生成的边缘图像,将彩色图片补全,生成最终结果。在边缘修复网络中加入并行的扩张卷积结构,同时在图像补全网络中加入了多尺度扩张卷积融合结构,并增加了特征内容损失,扩大感受野的同时也丰富了特征提取的尺度。通过实验,本文提出的模型在较大边缘区域上,有着更好的修复结果,通过常用的PSNR和SSIM等评价指标进行了验证。第二,针对任意形状区域修复时存在的结构错误和模糊问题,论文提出了一种基于两阶段递归特征推断的图像任意形状区域修复模型,提高了修复结果结构的准确性,保证了语义信息的正确,也使尺寸较大的修复区域结果更加清晰。本文提出的模型两阶段采用不同的修复模块递归修复,第一阶段利用双尺度合并修复模块进行初步修复,得到较为粗糙的修复结果,同时利用语义特征损失,保证重建结果语义信息的准确。第二阶段则采用一致性注意力修复模块递归修复,充分利用图像有效部分的信息,丰富重建结果的纹理细节。对于第二阶段的每一次修复,利用不断更新的掩码保留该模块修复所得的部分,通过特征融合模块,得到最终的结果。最后通过常用的PSNR和SSIM等评价指标验证了模型的有效性。最后,基于本文提出的两种修复模型,搭建了图像修复验证评估平台,将本文提出的两种模型部署到平台中,方便对本文的算法模型进行验证和评估。平台基于B/S架构,对外提供上传图像进行修复或者进行扩展的功能,同时可以在完成处理后直接观察评估修复图像的主观效果,也可以下载以进行其它方式验证。另外,基于边缘修复模型的图像扩展模块,提供了人工引导功能,可以在线绘制黑白边缘图像,以直接引导最后的彩色生成结果。
基于GAN的遥感图像数据增强方法研究
这是一篇关于深度学习,生成对抗网络,数据增强,少样本,图像分类的论文, 主要内容为数据、模型和计算是深度学习的三大要素,其中数据为深度学习的基础,模型训练需要庞大且优质的数据支撑。遥感图像数据集的获取面临两个问题:(1)对于遥感图像的获取,无论使用卫星拍摄还是无人机拍摄,都会花费大量时间和人工成本,后期的图像标注也需要消耗大量时间。(2)对于数据标注,如果数据量庞大,人工标注无法确保遥感图像目标尤其是小目标的标注一致性,影响数据集质量,为后期图像分类、检测等视觉任务带来困难。所以,如何利用数据增强技术获得更多高质量遥感图像数据成为人们研究的热点。本文采用生成对抗网络(GAN)进行遥感图像数据增强方法的研究,主要研究内容如下:(1)针对深度卷积生成对抗网络(DCGAN)模型训练不稳定、出现过拟合现象导致图像生成质量不佳的问题,本文提出了一种改进DCGAN方法进行图像生成。该方法在判别器中加入Dropout层,同时提出一种新的指数软标签函数代替原始固定标签。在AID、NWPU-RESISC和RSOD遥感图像数据集上,使用Moblie Net V2等四种分类网络进行分类验证。以AID数据集分类实验为例,该方法相较常规增强和DCGAN增强方法在Moblie Net V2图像分类的准确率上分别提升了1.33%、2.81%,验证了本文所提方法的有效性。(2)针对超分辨率生成对抗网络(SRGAN)模型训练出现梯度消失的问题,提出了一种改进SRGAN模型。首先,该方法在SRGAN的判别器中使用空洞卷积残差块模型缓解梯度消失;其次,在判别器中加入CBAM注意力模块,进一步提取图像特征;最后,在判别器中加入自适应平均池化来降低模型参数量。在AID、NWPU-RESISC和RSOD数据集上进行超分辨率重构实验,实验表明,以AID数据集实验为例,改进SRGAN在峰值信噪比和结构相似性数值上较改进前算法分别提升了2.4、0.07,验证了改进模型的有效性。(3)针对遥感图像数据增强中图像生成质量不佳且分辨率低的问题,利用改进SRGAN和改进DCGAN各自优点,提出了一种DS-GAN协同数据增强算法,该算法可以生成新的高分辨率图像。使用AID、NWPU-RESISC和RSOD数据集在Moblie Net V2等四种分类网络上进行验证,结果表明,以AID数据集分类实验为例,该方法相较常规增强和DCGAN增强方法在Moblie Net V2图像分类的准确率上分别提升了8.01%、9.49%,验证了本文所提方法的有效性。
基于用户偏好行为的电子商务平台推荐方法研究
这是一篇关于推荐系统,生成对抗网络,动态兴趣组,表示学习,异质信息网络的论文, 主要内容为随着社会的发展,人们对生活品质的追求迅猛提高。网络服务作为实体服务在线上的虚拟化扩展,给人们生活带来了巨大的便利。其中,电子商务作为网络服务的重要组成,越来越受到人民的追捧。然而,任何事物都是有利有害。在享受网络服务给生活水平带来提升的同时,也面临着海量信息带来的选择性问题。在此背景下,推荐系统作为辅助网民甄选优质内容的一个重要工具,给用户推荐有可能产生兴趣的项目,一直以来都是研究的热门领域。本论文总结近年来推荐系统的研究现状,主要从用户群体兴趣行为角度出发,通过对用户的历史行为数据分析,一方面研究基于用户兴趣组发现和数据增强推荐算法,另一方面研究基于表示学习和矩阵分解的推荐。主要研究内容如下:1.用户兴趣组标识和数据增强推荐算法,本文提出一种基于数据增强和动态用户兴趣分组的推荐模型。首先,通过引入生成对抗网络在学习数据分布、增强数据样本方面的优势,对原生数据进行同态增强,更真实的还原了用户和项目之间的偏好关系。其次,针对用户兴趣泛化问题,引入信息熵度量用户兴趣特征空间。同时,围绕用户兴趣漂移问题,使用时间窗标识方式进一步量化用户动态兴趣组。最后,为了解决融合用户兴趣组特征向量,构建“用户-项目-兴趣组”张量分解模型,并在分解的过程中计算缺失值,更加合理的预测用户评分。2.基于表示学习和矩阵分解的推荐算法。在异质信息网络中存在着大量的辅助信息,这些信息对数据分析任务有着很大的作用。首先,如何从网络中提取有效的信息,本文引入元路径的概念,使用了基于元路径的随机游走策略,能更好的提取出用于网络表示的节点序列。然后,考虑到在不同元路径下,每个节点向量的表示都是不一样的,又考虑到矩阵分解的易扩展性,设计了一组函数将表示后的节点映射到矩阵分解模型中。最后,本文通过矩阵分解预测用户对项目的评分。本文通过五组公开数据集对提出的方法进行实验分析。实验表明,本文所提出的模型改善了用户无行为偏好和数据稀疏性导致的推荐精度不足问题。
基于残差注意力神经网络的图像修复方法研究
这是一篇关于生成对抗网络,图像修复,注意力机制,深度学习的论文, 主要内容为近年来,图像修复技术已经成为计算机视觉领域重要的研究方向之一,愈发受到各个领域学者专家的关注,现已被广泛应用于老照片修复、目标移除、图像补全等应用中。本论文研究的图像修复是指利用图像修复算法来对破损图像的给定破损或缺失区域进行图像补全和填充,使修复后的图像尽可能接近真实图像的一种图像处理技术。目前,基于深度学习的方法已经成为图像修复的主流,其中,具有强大的特征表达和学习能力的生成对抗网络(Generative Adversarial Networks,GAN)在图像修复领域表现出卓越的性能。与传统的图像修复方法相比,基于深度学习的图像修复方法可以更好地处理复杂的破损区域,且更加自然地生成图像。尽管大多数现有的基于GAN的图像修复方法通常会产生视觉上可信的结果,但当图像出现大面积破损区域或者破损区域拥有复杂的背景信息等情况时,生成的结果会出现大量伪影、色彩衔接不一致以及纹理细节模糊等问题。为解决这些问题,本论文对国内外图像修复技术的研究现状进行了详细分析,并提出了一种新的基于GAN的残差注意力图像修复模型,该模型改进了传统的编码-解码图像修复网络,提出了一种具有纹理感知能力的主干网络(Residual Feature Attention Network,RFA-Net),并采用残差非池化的设计结构使之能够保留浅层的纹理特征,自适应地增强有助于图像修复的通道和像素特征的权重,以实现对破损图像的纹理细节进行更精细的修复。本论文主要工作及创新点如下:(1)本论文针对破损图像的纹理细节模糊和已知区域关键信息分布不均匀的情况,设计实现了基于残差注意力网络的图像修复模型RFA-Net,该网络采用编码-解码的设计架构,主要由三部分组成:残差注意力(Residual Attention,RA)模块,多尺度增强(Multi-scale Feature Enhancement,MFE)模块和密集特征融合(Dense Feature Fusion,DFF)模块。在编码器中,RA模块结合了残差结构和注意力机制的技术优势,使模型关注于图像修复相关特征的提取以及通过保留浅层图像特征实现对纹理的精细修复。在解码器中,MFE模块实现了多尺度卷积核特征的拼接,增强了网络的特征提取能力。为实现大面积破损区域修复,在MFE模块后,加入DFF模块以在未增加网络参数的情况下扩大网络的感受野。(2)本论文判别器的设计基于相对平均论判别器(Relativistic Average GAN,Ra GAN)进行改进,设计了包括全局分支以及局部分支的多尺度判别器结构,使网络分别关注全局图像和缺失区域的局部图像细节。同时添加混合损失优化(Hybrid Loss Optimizment,HLO)模块,以约束生成器生成图像内容的低级特征,促进生成器提高细节生成能力,生成更逼真、纹理更清晰的图像。(3)为验证本论文提出的图像修复方法的先进性,本论文对提出的算法与目前主流算法在多个数据集上进行了定性和定量的比较和分析,同时对提出的网络模块进行消融对比实验。实验结果表明,本论文提出的RFA-Net图像修复算法能够实现对破损区域纹理细节的恢复并生成与真实图像一致的内容,和目前主流的基于深度学习方法的定量和定性对比中具有一定的先进性。
深度神经网络对抗样本生成方法研究
这是一篇关于深度神经网络,对抗样本,目标攻击,生成对抗网络,多尺度梯度的论文, 主要内容为对抗样本指的是向模型输入样本添加一些精心设计的微小扰动后,视觉上跟干净样本无法区分的样本,会导致深度学习模型输出错误的结果。深度学习模型容易受到对抗样本攻击的影响,随着深度学习的不断发展,对抗样本成为一个热点研究问题。对抗样本涉及到神经网络的安全和鲁棒性问题,是深度学习与计算机安全的结合,是一个新兴的研究领域。研究对抗样本的生成有助于帮助发现模型的盲区,检测网络模型的鲁棒性。本文主要针对深度神经网络对抗样本生成方法进行研究,主要工作包括以下几个方面:(1)研究了对抗样本对基于深度神经网络的图像分类模型的影响,提出一种在白盒场景下基于生成对抗网络(Generative Adversarial Network,GAN)生成对抗样本的方法,能够对图像分类模型进行目标攻击。GAN的生成器的输入为原始数据,输出为对抗扰动,对抗扰动加到原始数据上形成对抗样本′,即′=+。使用GAN损失、对抗攻击分类损失、像素损失和循环一致损失四种损失函数对生成的对抗样本进行约束。(2)证明了医学图像分割模型会受到对抗样本的影响。现有的针对语义分割模型的攻击方法都是基于最后一层损失函数的梯度反向传播进行扰动。本文提出了一种在白盒场景下基于多尺度损失函数的梯度生成目标分割掩码攻击医学图像分割模型的方法,计算多个中间层特征的损失和最后一层损失函数,研究了医学图像分割模型的脆弱性。使用目标攻击损失,特征激活损失,分割二值交叉熵损失和像素级损失用于目标对抗样本的生成。(3)最后,在MNIST,CIFAR-10和Image Net等基准分类数据集的大量实验结果表明,本文提出的基于GAN生成的对抗样本提高了对抗样本的攻击强度,提高了对有防御和无防御的两种情况下的目标分类模型的攻击成功率。此外,在ISIC皮肤病变分割数据集和青光眼视盘分割数据集上的实验证明,本文提出的基于多尺度梯度方法生成的对抗样本的预测掩码跟目标掩码之间具有很高的Io U并且具有较高的像素准确率,并且降低了对抗样本和干净样本之间的2和∞距离,减少了攻击成功所需要的扰动。
基于生成对抗网络的图像风格迁移方法研究
这是一篇关于深度学习,生成对抗网络,图像风格迁移,CycleGAN的论文, 主要内容为图像风格迁移是一种属于计算机视觉的研究方向,在很多领域都有着广泛的应用,例如数字艺术、缺陷检测、人脸识别、医疗诊断等。然而,传统的图像风格迁移方法存在许多问题:训练需求大量配对图像、生成图像质量较低、生成图像所需时间过长等。生成对抗网络是近年来深度学习领域的一项热门技术,因其采取的对抗学习方式,在图像风格迁移领域得到了广泛应用。CycleGAN模型是一种基于生成对抗网络的图像风格迁移模型,其能够在无配对图像的条件下通过学习两种不同风格图像领域之间的映射关系实现图像间的风格迁移,是一种可跨域的图像风格迁移模型。但是该模型仍存在一些函待解决的问题。对CycleGAN模型进行改进可以提高其在进行图像风格迁移任务时的效果和稳定性,从而使其在实际应用中更加可靠和实用。因此本文将CycleGAN模型作为研究重点,旨在通过分析和理解CycleGAN模型,并对其进行改进。(1)CycleGAN模型所采用的ResNet结构的生成器网络在生成图像时容易发生背景颜色失真问题,并且对复杂纹理的生成效果较差。针对这些问题,本文提出一种结合Convnext卷积结构和U-Net结构的新型生成器网络。在这种新型的生成器网络中,Convnext卷积结构代替了传统U-Net结构中特征提取部分的卷积结构。U-Net结构能够解决原始生成器网络因底层信息丢失所导致的背景颜色失真问题,Convnext卷积结构拥有更强的特征提取能力,能够更好的对复杂纹理特征进行提取,将两者结合相结合后的生成器网络有能够有效解决采用Res Net结构的生成器网络的局限性。(2)针对原始CycleGAN模型所采用的判别器网络中感受域机制的局限性,提出一种引入CBAM注意力机制的新型判别器网络。引入CBAM注意力机制可以使判别器网络对不同的区域赋予不同的关注度,帮助整个模型更好的学习图像特征。并在引入CBAM注意力机制的CycleGAN模型上进行了人脸图像口罩佩戴任务,证明采用该新型判别器网络的CycleGAN模型拥有着更好的图像风格迁移能力。(3)在多个常见数据集上进行实验对比,与原始CycleGAN模型相比,本文所提出的拥有新型生成器网络和新型判别器网络的改进CycleGAN模型所生成的迁移后图像在Frechet Inception距离(FID)结构相似度(SSIM)上都有着更好的表现。并在最后基于本文提出的改进CycleGAN模型,将白天路况图转换为对应的夜间路况图,扩展本文所提出的改进CycleGAN模型的应用层面。
本文内容包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主题。发布者：代码项目助手 ，原文地址：https://bishedaima.com/lunwen/46572.html
