基于CBF的自适应抽样算法研究

本文针对网络流量的自相似性、重尾分布等特征，提出了基于CBF的自适应抽样算法，根据不同的网络流量大小，抽取不同数量的报文，并采用CBF哈希算法维护流记录。该方法具有抽样率自适应性、简单性，并可根据实际情况灵活控制算法所需的存储空间。     

基于Hash聚合的网络流量管理研究

通过分析SNMP和Netflow的特点和不足,提出了基于Hash聚合的Netflow与SNMP相结合的网络流量管理方式,采用Hash聚合的方式将Netflow的原始流记录多条流合并为1条,实现原始数据的压缩存储和系统的高效管理,可充分发挥Netflow流量分析与SNMP设备管理的优点.在某证券网络流量管理的运用表明,该方案提高了证券网络管理的质量与效率.     

一种用于异常检测的网络流量抽样方法

为了减小抽样数据对网络异常检测的影响,提出了一种新的可变抽样率的网络流量抽样方法.通过利用哈希模式匹配算法,将到达的数据报文按流标识分类并记录下该报文在流中的位置,然后根据报文所属流的位置顺序减函数来设置不同的报文抽样概率.实验结果表明,所提方法增加了短流报文的抽样概率,解决了由于随机报文抽样方法偏向于长流抽样而导致的网络异常丢弃的问题,从而提高了异常检测的正确性.     

网络流的层次化分析及其在蠕虫早期检测中的应用

在NetFlow的基础上定义了2种新的网络流：主机层网络流和区域层网络流，并提出了相应的流量特征刻画方法．该定义从主机层和网络层对网络流量进行抽象，实现了底层网络流信息的合并，在不损失关键流量特征的前提下，可大大缩减网络流记录的数量．采用指数加权移动平均控制图模型对所提取的网络流特征进行预测和估计，并结合网络蠕虫的传播特征给出了一种网络蠕虫的早期检测方法．实验结果表明，所提检测方法可以准确地检测到蠕虫在局域网内的早期传播，进而为控制蠕虫传播赢得了宝贵的时间。     

基于网络流量特征匹配和时间微分博弈的网络异常监测

采用NetFlow数据采集工具获取网络流量数据，对流量数据预处理后从时域和频域两个方面提取网络流量运行特征；通过特征匹配判定当前网络安全状态后，采用时间微分博弈求解判定为异常的网络流量的时间点，以确认异常是否存在从而降低误报率.     

深度优先局部聚合哈希

已有的深度监督哈希方法不能有效地利用提取到的卷积特征,同时,也忽视了数据对之间相似性信息分布对于哈希网络的作用,最终导致学到的哈希编码之间的区分性不足.为了解决该问题,提出了一种新颖的深度监督哈希方法,称之为深度优先局部聚合哈希(Deep Priority Local Aggregated Hashing,DPLAH).DPLAH将局部聚合描述子向量嵌入到哈希网络中,提高网络对同类数据的表达能力,并且通过在数据对之间施加不同权重,从而减少相似性信息分布倾斜对哈希网络的影响.利用Pytorch深度框架进行DPLAH实验,使用NetVLAD层对Resnet18网络模型输出的卷积特征进行聚合,将聚合得到的特征进行哈希编码学习.在CI-FAR-10和NUS-WIDE数据集上的图像检索实验表明,与使用手工特征和卷积神经网络特征的非深度哈希学习算法的最好结果相比,DPLAH的平均准确率均值要高出11％,同时,DPLAH的平均准确率均值比非对称深度监督哈希方法高出2％.     

一种用于遥感影像完整性认证的感知哈希算法

为了实现遥感影像的完整性认证,提出了一种基于边缘特征的遥感影像感知哈希算法.首先,对影像进行格网划分,并对格网单元进行自适应的预处理.其次,采用Canny算子提取格网单元的边缘特征,进一步生成边缘特征矩阵.然后,对边缘特征矩阵进行奇异值分解,选择较大的奇异值作为格网单元的特征,并采用Hash函数进行归一化.最后,串联所有格网单元的归一化特征,得到影像的感知哈希散列.在影像接收端,计算待认证影像的感知哈希散列,并与收到的感知哈希散列进行匹配,实现遥感影像的完整性认证.实验结果表明,该算法能够有效检测遥感影像的局部细节篡改,对于保持影像内容不变的操作具备较好的鲁棒性,且运行效率较高,为遥感影像的内容完整性认证提供了一种高效途径.     

基于NetFlow网络流量分析的研究及应用

在分析NetFlow交换及其特点的基础上设计了一个具体的网络流量分析模型 .它的主要特点是提供了数据输出网关和计费接口 ,易于扩展 .该模型重点讨论了数据采集点的选择和采样间隔等关键参数的设置方法     

基于自适应PCNN与PCA的遥感影像感知哈希认证算法

针对现有遥感影像感知哈希认证算法存在的鲁棒性不足的问题,本文利用PCNN在边缘检测过程中能够抑制噪声的特点,提出一种基于自适应PCNN与PCA的遥感影像感知哈希认证算法.首先,对遥感影像进行四边形隐形格网划分之后,根据格网单元的信息熵自适应地决定PCNN的时间衰减参数.然后,通过PCNN提取格网单元的边缘特征,进而构造格网单元的特征矩阵.接下来,对特征矩阵进行基于PCA和信息熵的自适应摘要化,得到的序列进行加密处理后就是该格网单元的感知哈希序列.实验表明,该算法在保持篡改敏感性的同时,对无损压缩和LSB水印嵌入具有近乎100%的鲁棒性,对有损压缩的鲁棒性在95%以上,相比于现有算法有了较大提高.     

融合MFCC和LPCC的语音感知哈希算法

为了提高语音感知哈希算法的鲁棒性和识别小范围篡改定位的能力,利用人类听觉模型提出了一种语音感知哈希算法.该算法基于人类听觉特性,首先对倒谱系数MFCC算法每帧的滤波器数量进行控制,得到每帧语音的梅尔频率倒谱参数;其次对自适应梅尔倒谱系数MFCC参数和语音LPCC系数进行融合,并采用分块方法对特征矩阵进行处理,对特征块进行2DNMF分解运算,降低特征矩阵的复杂度;最后对分解后的系数矩阵进行哈希构造,得到语音感知哈希串,利用哈希匹配实现语音认证.结果表明:该算法可以有效提高哈希认证的鲁棒性,并能够实现语音小范围篡改定位功能.