基于多任务特征学习的网络加密流量识别算法

来源 :计算机技术与发展 | 被引量 : 0次 | 上传用户:yang759152944
下载到本地 , 更方便阅读
声明 : 本文档内容版权归属内容提供方 , 如果您对本文有版权争议 , 可与客服联系进行内容授权或下架
论文部分内容阅读
加密数据流难以从其数据内容进行监管,但却是非法数据、敏感信息监管的重要对象。目前对加密数据流识别的研究大多依据特定的加密传输协议,主要通过端口匹配识别、深度包检测、深入流检测等来进行识别,这些方法实施的前提是加密协议已知,并未给出一种通用的加密数据流识别方法。对当前加密数据流识别技术进行了分析,分析加密数据流外在数据形式中所蕴含的内在属性信息,遵循“随机性特征——盲识别”的研究思路,研究一种通用的网络加密流量识别方法,利用加密流量的随机性特征,提出基于多任务特征学习的网络加密流量识别算法。该算法利用?
其他文献
为了提高加密算法的安全性能,该文提出了明文相关的通道关联的同时置乱扩散加密方案,算法中置乱扩散矩阵是与明文图像以及外部密钥相关的。由于明文图像中相邻像素之间的相关性很高,因此,图像加密方案一般采用置乱的方式对图像进行“洗牌”操作,再进行扩散操作改变像素值,即Fridrich提出的经典置乱-扩散结构。然而随着图像破解技术的进步,分开攻击技术对这种经典的加密方案造成了很大的影响。该文采用同时置乱扩散的方案提高加密算法的安全性,首先使用三阶神经网络产生密钥流对彩色图像的三通道进行同时置乱扩散操作,然后再对得
随着海量大数据的出现,关联数据挖掘算法需要新型计算模式来提高计算速度与运行效率。提出了基于MapReduce并行关联挖掘的网络入侵检测方法Cloud-Apriori。Apriori是一种基于频繁项集的关联规则数据挖掘算法,Cloud-Apriori是经MapReduce云计算并行化后的新算法。Cloud-Apriori利用开源的Hadoop分布式计算框架,采用Hadoop分布式文件系统存储海量数据;结合MapReduce的映射,规约操作,可以把关联挖掘的数据流和任务组成一个有向无环图,方便专业技术人员按照