隨著網(wǎng)絡(luò)技術(shù)的發(fā)展,網(wǎng)絡(luò)信息傳輸安全越來越受重視。一方面,需要檢測和阻斷通過網(wǎng)絡(luò)傳輸?shù)膼阂庑畔?另一方面,需要保障通過網(wǎng)絡(luò)傳輸?shù)恼Ｍㄐ判畔⒌陌踩院碗[私性。網(wǎng)絡(luò)時間隱通道檢測是這一領(lǐng)域的重要課題。以往的網(wǎng)絡(luò)隱通道檢測算法存在很多問題,很多檢測算法針對某些特定的網(wǎng)絡(luò)隱通道有效,但對另外一些類型的網(wǎng)絡(luò)隱通道檢測效果卻不理想,且檢測的實時性和準(zhǔn)確率都有待提高。論文首先對現(xiàn)有的網(wǎng)絡(luò)隱通道檢測方法進(jìn)行了研究與分析,分析幾種典型網(wǎng)絡(luò)時間隱通道的數(shù)據(jù)包特征分布情況。針對現(xiàn)有檢測方法僅反映網(wǎng)絡(luò)隱通道一維特征的缺陷,提出一種基于二維圖像特征的網(wǎng)絡(luò)時間隱通道檢測方法。為了進(jìn)一步提升網(wǎng)絡(luò)隱通道檢測的準(zhǔn)確率,在上述方法的基礎(chǔ)上,提出基于卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network,CNN）的網(wǎng)絡(luò)時間隱通道檢測方法。論文的主要研究工作有:（1）提出基于二維圖像特征的網(wǎng)絡(luò)時間隱通道的檢測方法,通過提取網(wǎng)絡(luò)數(shù)據(jù)包的時間間隔、數(shù)據(jù)包長度兩種特征分量,對兩種特征分量的數(shù)值進(jìn)行歸一化處理后,構(gòu)造能夠描述網(wǎng)絡(luò)流數(shù)據(jù)包特征的二維圖像,從而將網(wǎng)絡(luò)流數(shù)據(jù)包在一維時間軸上的特性關(guān)系反映到二維圖像的紋理特... 

【文章頁數(shù)】：66 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
abstract
第一章 緒論
    1.1 研究背景與意義
    1.2 網(wǎng)絡(luò)隱通道研究現(xiàn)狀
        1.2.1 網(wǎng)絡(luò)存儲隱通道的檢測技術(shù)
        1.2.2 網(wǎng)絡(luò)時間隱通道的檢測技術(shù)
    1.3 論文的主要研究內(nèi)容
    1.4 論文的結(jié)構(gòu)安排
第二章 相關(guān)技術(shù)研究
    2.1 網(wǎng)絡(luò)隱通道的相關(guān)知識
        2.1.1 網(wǎng)絡(luò)隱通道的定義
        2.1.2 網(wǎng)絡(luò)隱通道建模
        2.1.3 網(wǎng)絡(luò)隱通道的分類及其存在條件
    2.2 灰度共生矩陣
        2.2.1 灰度共生矩陣的定義
        2.2.2 灰度共生矩陣的特點(diǎn)
        2.2.3 灰度共生矩陣的統(tǒng)計特征
    2.3 神經(jīng)網(wǎng)絡(luò)基礎(chǔ)
        2.3.1 神經(jīng)元結(jié)構(gòu)
        2.3.2 神經(jīng)網(wǎng)絡(luò)模型
    2.4 卷積神經(jīng)網(wǎng)絡(luò)
        2.4.1 基本結(jié)構(gòu)
        2.4.2 卷積層特點(diǎn)
        2.4.3 激活函數(shù)
    2.5 本章小結(jié)
第三章 基于二維圖像特征的網(wǎng)絡(luò)時間隱通道檢測
    3.1 問題描述
    3.2 典型網(wǎng)絡(luò)時間隱通道的特征分布分析
        3.2.1 L-N類型網(wǎng)絡(luò)時間隱通道
        3.2.2 Jitterbug類型網(wǎng)絡(luò)時間隱蔽信道
        3.2.3 時間重放類型網(wǎng)絡(luò)時間隱通道
        3.2.4 包長度類型隱通道
    3.3 基于二維圖像特征的網(wǎng)絡(luò)時間隱通道檢測
        3.3.1 檢測模型
        3.3.2 特征歸一化
        3.3.3 二維圖像的灰度共生矩陣
    3.4 實驗與分析
        3.4.1 實驗環(huán)境
        3.4.2 網(wǎng)絡(luò)流映射圖像分析
        3.4.3 映射圖像紋理特征比較
    3.5 本章小結(jié)
第四章 基于卷積神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)時間隱通道檢測
    4.1 問題描述
    4.2 基于卷積神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)時間隱通道檢測模型
        4.2.1 檢測模型
        4.2.2 二維圖像映射
        4.2.3 基于卷積神經(jīng)網(wǎng)絡(luò)的特征提取
        4.2.4 基于卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練分類
        4.2.5 模型訓(xùn)練
    4.3 實驗與分析
        4.3.1 數(shù)據(jù)集
        4.3.2 仿真參數(shù)
        4.3.3 訓(xùn)練輪數(shù)分析
        4.3.4 池化參數(shù)分析
        4.3.5 性能分析
    4.4 本章小結(jié)
第五章 總結(jié)與展望
    5.1 工作總結(jié)
    5.2 研究展望
參考文獻(xiàn)
致謝
在學(xué)期間發(fā)表科研成果


【參考文獻(xiàn)】：
期刊論文
[1]網(wǎng)絡(luò)隱蔽信道關(guān)鍵技術(shù)研究綜述[J]. 李彥峰,丁麗萍,吳敬征,崔強(qiáng),劉雪花,關(guān)貝,王永吉.  軟件學(xué)報. 2019(08)
[2]深度學(xué)習(xí)在圖像隱寫術(shù)與隱寫分析領(lǐng)域中的研究進(jìn)展[J]. 翟黎明,嘉炬,任魏翔,徐一波,王麗娜.  信息安全學(xué)報. 2018(06)
[3]虹膜區(qū)域預(yù)處理及紋理特征提取方法的研究[J]. 呂康東,呂曉琪,趙瑛.  現(xiàn)代電子技術(shù). 2017(16)
[4]基于One-class SVM的網(wǎng)絡(luò)時間隱蔽信道檢測方法[J]. 劉義,蘭少華.  計算機(jī)與現(xiàn)代化. 2017(06)
[5]基于區(qū)域分塊與尺度不變特征變換的圖像拼接算法[J]. 李玉峰,李廣澤,谷紹湖,龍科慧.  光學(xué)精密工程. 2016(05)
[6]一種基于遞歸圖的網(wǎng)絡(luò)時間隱蔽信道檢測方法[J]. 劉標(biāo),蘭少華,張晶,劉光杰.  計算機(jī)科學(xué). 2015(02)
[7]基于噪聲模型和通道融合的彩色圖像隱寫分析[J]. 綦科,謝冬青.  計算機(jī)研究與發(fā)展. 2013(02)
[8]面向Liquid時間隱通道的檢測方法[J]. 張志祥,金華,鞠時光,華進(jìn).  計算機(jī)工程與設(shè)計. 2012(12)
[9]IP時間隱通道抗檢測技術(shù)的研究[J]. 王昌達(dá),薄兆軍,管星星,李志國.  計算機(jī)應(yīng)用研究. 2012(07)
[10]復(fù)雜網(wǎng)絡(luò)隱蔽信道的檢測算法研究[J]. 錢玉文,王飛,孔建壽.  系統(tǒng)仿真學(xué)報. 2012(04)

碩士論文
[1]網(wǎng)絡(luò)隱蔽信道檢測關(guān)鍵技術(shù)研究[D]. 富廣欣.戰(zhàn)略支援部隊信息工程大學(xué) 2018
[2]基于灰度共生矩陣和視覺信息的布匹瑕疵檢測方法研究[D]. 閔信軍.江蘇大學(xué) 2018
[3]一種基于深度學(xué)習(xí)的網(wǎng)絡(luò)隱蔽信道檢測方法研究[D]. 孫義乘.哈爾濱工程大學(xué) 2018
[4]網(wǎng)絡(luò)隱蔽信道檢測技術(shù)的研究[D]. 吳小進(jìn).南京理工大學(xué) 2012
[5]網(wǎng)絡(luò)中的隱蔽信道[D]. 吳其祥.西安電子科技大學(xué) 2009



本文編號：3714347