本文關(guān)鍵詞：基于遺傳算法的隱馬爾可夫模型及其在證據(jù)融合中的應用

  更多相關(guān)文章： 網(wǎng)絡(luò)取證 證據(jù)融合 自適應 遺傳算法 隱馬爾可夫模型

【摘要】：迅猛發(fā)展的網(wǎng)絡(luò)技術(shù)在帶給人們高效和便利的同時,網(wǎng)絡(luò)犯罪的數(shù)量逐年增多,網(wǎng)絡(luò)取證受到越來越多的關(guān)注,而證據(jù)融合作為網(wǎng)絡(luò)取證的一個重要過程,其生成證據(jù)鏈是提高網(wǎng)絡(luò)取證證據(jù)有效性的關(guān)鍵。本文介紹了網(wǎng)絡(luò)取證證據(jù)融合的國內(nèi)外研究現(xiàn)狀,文中首先闡述了隱馬爾可夫模型的原理和它的三個基本問題以及求解算法。然后將隱馬爾可夫模型應用于證據(jù)鏈的構(gòu)造中,并利用林肯實驗室數(shù)據(jù)進行實驗驗證。由于隱馬爾可夫模型對初始參數(shù)的敏感,引入兩種遺傳算法(Genetic Algorithm,GA)分別對其進行優(yōu)化,并通過實驗對比兩種遺傳算法各自優(yōu)越性。最后研究并實現(xiàn)了基于隱馬爾可夫模型(Hidden Markov Model,HMM)的證據(jù)融合方法。本文主要進行了如下研究:(1)針對隱馬爾可夫模型傳統(tǒng)訓練算法易收斂于局部最優(yōu)解的問題,提出一種通過區(qū)間變量偏離度尋找人工誘導基因的自適應引導進化遺傳算法,使得遺傳過程通過維持種群的多樣性達到全局搜索并提高HMM個體質(zhì)量的目的。(2)針對遺傳算法的全局收斂性在很大程度上受遺傳操作之間相互作用的影響問題,提出一種在宏觀和微觀不同角度度量種群多樣性的方法。并將其應用于HMM參數(shù)訓練過程,同時將改進后的HMM參數(shù)訓練方法用在網(wǎng)絡(luò)取證證據(jù)融合中的證據(jù)鏈構(gòu)造中,推測出最有可能的元證據(jù)序列產(chǎn)生證據(jù)鏈,減少了遺傳算法在收斂性上受遺傳操作之間相互作用的影響,并且使得訓練的HMM參數(shù)更能有效的推測出證據(jù)鏈。(3)設(shè)計并實現(xiàn)改進HMM在證據(jù)融合中的應用。將改進后的HMM應用到網(wǎng)絡(luò)取證證據(jù)融合模塊中。根據(jù)需求采集所需疑似證據(jù),對疑似證據(jù)數(shù)據(jù)進行聚合得到元證據(jù),運用改進的HMM證據(jù)融合算法推算出最有可能的元證據(jù)序列,將原始證據(jù)回溯到證據(jù)序列中,得到相應的證據(jù)鏈。最后在證據(jù)報告中以圖表的形式展示證據(jù)鏈。
【關(guān)鍵詞】：網(wǎng)絡(luò)取證 證據(jù)融合 自適應 遺傳算法 隱馬爾可夫模型
【學位授予單位】：山東師范大學
【學位級別】：碩士
【學位授予年份】：2016
【分類號】：TP18;O211.62;D918.2
【目錄】：

• 摘要6-7
• Abstract7-8
• 第一章 緒論8-14
• 1.1 研究背景及意義8-9
• 1.2 研究現(xiàn)狀9-11
• 1.2.1 證據(jù)融合相關(guān)研究現(xiàn)狀9-10
• 1.2.2 隱馬爾可夫模型相關(guān)研究現(xiàn)狀10
• 1.2.3 遺傳算法研究現(xiàn)狀10-11
• 1.3 論文主要研究工作11
• 1.4 論文的組織結(jié)構(gòu)11-14
• 第二章 相關(guān)理論基礎(chǔ)14-22
• 2.1 遺傳算法概述14-16
• 2.1.1 遺傳算法的基本思想14
• 2.1.2 遺傳算法的基本操作14-15
• 2.1.3 遺傳算法的實現(xiàn)15-16
• 2.2 隱馬爾可夫模型概述16-20
• 2.2.1 Markov鏈16-17
• 2.2.2 HMM的概念17
• 2.2.3 HMM的三個問題17-20
• 2.3 本章小結(jié)20-22
• 第三章 基于自適應誘導進化遺傳算法的HMM訓練模型22-30
• 3.1 自適應誘導進化遺傳算法22-24
• 3.1.1 問題描述22
• 3.1.2 自適應誘導進化思想22-23
• 3.1.3 自適應誘導進化實現(xiàn)步驟23-24
• 3.2 自適應誘導進化遺傳算法的HMM訓練模型24-26
• 3.2.1 自適應遺傳算法參數(shù)設(shè)定24
• 3.2.2 HMM參數(shù)訓練過程24-26
• 3.2.3 改進遺傳算法操作HMM訓練模型26
• 3.3 實驗及結(jié)果分析26-28
• 3.4 本章小結(jié)28-30
• 第四章 基于自適應遺傳算法優(yōu)化HMM的證據(jù)融合方法30-38
• 4.1 改進HMM的證據(jù)融合方法30-34
• 4.1.1 自適應遺傳算法30-31
• 4.1.2 基于自適應遺傳算法優(yōu)化HMM31-33
• 4.1.3 證據(jù)融合算法33-34
• 4.2 實驗及結(jié)果分析34-37
• 4.3 本章小結(jié)37-38
• 第五章 證據(jù)融合在網(wǎng)絡(luò)取證系統(tǒng)中的設(shè)計與實現(xiàn)38-46
• 5.1 總體設(shè)計38-39
• 5.2 系統(tǒng)實現(xiàn)39-42
• 5.2.1 客戶端網(wǎng)絡(luò)數(shù)據(jù)包采集與證據(jù)提交39-40
• 5.2.2 服務器端的分析與融合40-42
• 5.3 實例分析42-44
• 5.4 本章小結(jié)44-46
• 第六章 總結(jié)與展望46-48
• 6.1 本文總結(jié)46
• 6.2 展望46-48
• 參考文獻48-52
• 攻碩期間發(fā)表論文及科研成果52-54
• 致謝54

，

本文編號：755027