申请/专利权人：南京邮电大学

申请日：2023-12-01

公开（公告）日：2024-03-01

公开（公告）号：CN117633888A

主分类号：G06F21/62

分类号：G06F21/62;G06F18/2415;G06F18/211;G06V10/764;G06V10/82;G06N3/0464;G06N3/048;G06N3/084;G06N3/047

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.03.19#实质审查的生效;2024.03.01#公开

摘要：本发明属于网络安全和深度学习领域，公开了一种基于期望优化的网络流量隐私保护方法，本发明在网络流量的弱相关区域叠加针对性的、可变换的对抗数据补丁，使用期望优化提高指定目标类别的预期概率，通过梯度下降法使得数据补丁特征比流量图像的原始类别特征更加显著，在保证对抗流量完整性以及可执行性的同时，误导恶意流量分类模型输出高置信度的错误分类，以保护网络通信免受流量分析攻击。本发明结合网络流量的数字性、与图像相比较差的可读性和流量图像的肉眼难分辨性，生成干扰性极强的扰动，并将其放置在网络流量弱相关的数据位，在降低存在度的同时提高干扰性，从而做到自主的流量隐私保护，具有广阔的应用前景。

主权项：1.一种基于期望优化的网络流量隐私保护方法，其特征在于：所述网络流量隐私保护方法包括以下步骤：步骤1、数据预处理：采集网络流量，使用WEKA软件套件进行初步网络流量分析和特征选择，生成流量特征集，将网络流量所属应用分类值作为标签值，生成标签集，将流量特征整形为一维数列，对提取的流量特征一维数列进行数据处理与填充，生成带标签的流量特征数据集；步骤2、将步骤1生成带标签的流量特征数据集中的单条流量数据特征整形为m*n的二维矩阵，将处理后的二维矩阵元素值映射为像素灰度值，转化为灰度流量图像，结合读取步骤1中标签集的数据，可视化为带该标签的流量图像数据集；步骤3、模拟网络监控者直接使用流量分类模型对步骤1中流量数据集进行训练及分类测试，计算分类准确率；模拟网络监控者将流量可视化后进行分类，使用图像分类模型对步骤2中的所述流量图像数据集进行训练及测试，计算流量图像分类准确率；步骤4、制作掩模，定位所述流量图像数据集中的弱相关区域，考虑数据补丁的变换，使用期望优化在流量图像训练集的补丁图像以及补丁变换和位置的分布上，计算目标类别的预期概率并优化，通过梯度下降法迭代生成最优对抗数据补丁；步骤5、将对抗数据补丁叠加在流量图像数据集中的弱相关区域，生成对抗流量图像集，对抗流量图像集由图像灰度值映射为流量数据，生成对抗流量数据集；步骤6、模拟网络监控者使用图像分类模型对对抗流量图像集进行训练及测试，计算目标类别补丁干扰率，以干扰率评估对抗数据补丁在流量可视化后分类上的分类干扰效果；模拟网络监控者使用流量分类模型对对抗流量数据集进行训练及测试，计算目标类别补丁干扰率，以干扰率评估对抗数据补丁在直接流量分类上的分类干扰效果。

全文数据：

权利要求：

百度查询： 南京邮电大学 一种基于期望优化的网络流量隐私保护方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD