基于对抗样本的网络欺骗流量生成方法研究

发布时间：2024-03-08 01:32

　　网络流量识别是常见的网络攻击方式之一,它通过抓取并分析用户流量进而获得用户信息(如应用类型),侵犯了用户的隐私,干扰了网络系统的正常运行。使用网络欺骗流量是对抗网络流量识别的主要方法之一。但现有的网络欺骗流量生成技术存在以下不足:1)隐蔽性较差,容易被攻击者检测识破;2)往往难以抵御基于深度学习的流量识别攻击。为此,本文基于深度学习模型容易被对抗样本欺骗这一发现,提出了一种全新的基于对抗样本技术的网络欺骗流量生成方法。该方法将对抗样本生成算法作用于预处理后的网络流量,通过对流量进行微小扰动,进而生成不易被检测且能有效抵御网络流量识别攻击的网络欺骗流量。目前学术界针对这类方法的研究才刚刚兴起。已提出的方法由于没有考虑网络流量的自身特点和流量欺骗的应用条件,存在实用性不足的问题。在现有工作基础之上,本文提出在进行流量扰动时应充分限制扰动发生的位置和范围,并针对多种应用场景提出了相应的网络欺骗流量生成方法。本文的研究内容和主要贡献简述如下:(1)提出了白盒条件下的对抗样本网络欺骗流量生成方法。在已获悉网络流量识别模型先验知识(比如通过模型拟合等经典方式)的前提下,根据网络流量的特点,在现有经...

【文章页数】：81 页

【学位级别】：硕士

【部分图文】：

图2.8二分类问题的对抗样本原理

华中科技大学硕士学位论文21其中代表图像样本，，代表对抗扰动。分类器()的鲁棒性则为：()=Δ(;)‖‖2(2.16)样本离分类边界越远，2范数越小，评测数值也就越大，表示鲁棒性越强。以二分类器为例，它的分类边界为={∶()=0}，分界线的两边分别为正负类。如图2.8所示，可以很....

图4.6优化的二维CNN网络架构

华中科技大学硕士学位论文52图4.6优化的二维CNN网络架构类似，一维卷积神经网络详细参数设置如表格4.6所示。表格4.6一维卷积神经网络参数层操作过滤器宽度步长补齐方式1conv+ReLU251same21dmaxpool33same3conv+ReLU251same41dma....

图4.7损失函数与分类准确率曲线图

华中科技大学硕士学位论文52图4.6优化的二维CNN网络架构类似，一维卷积神经网络详细参数设置如表格4.6所示。表格4.6一维卷积神经网络参数层操作过滤器宽度步长补齐方式1conv+ReLU251same21dmaxpool33same3conv+ReLU251same41dma....

本文编号：3921804