申请/专利权人：浙江工业大学

申请日：2020-10-14

公开（公告）日：2024-03-26

公开（公告）号：CN112434719B

主分类号：G06F18/214

分类号：G06F18/214;G06F18/241;G06N5/043

优先权：

专利状态码：有效-授权

法律状态：2024.03.26#授权;2021.03.19#实质审查的生效;2021.03.02#公开

摘要：一种基于ε‑贪心专家决策筛选的主动学习溯源攻击方法，来解决在单攻击者或单专家标注的情况太过理想的问题；考虑到传统主动学习攻击模型中可能存在单专家标注错误的问题，并且同时要将攻击模型和专家进行匹配，避免在标注过程中造成错误的样本标注，从而导致攻击资源的浪费，增大被系统发现的概率，建立一个攻击模型专家筛选算法；考虑到专家自身对采样样本和攻击模型也会有自身的理解，每时每刻可能也改变着标注决策，并不能保证自身标注的稳定性，建立基于ε‑贪心的专家决策优化算法，最终建立基于ε‑贪心专家决策筛选的主动学习溯源攻击算法，本发明提出的主动学习章提出的算法比其他主动学习算法具有较优的溯源攻击性能。

主权项：1.一种基于ε-贪心专家决策筛选的主动学习溯源攻击方法，其特征在于，包括如下步骤：Step1:初始化贪婪系数ε，初始化迭代次数m为1；Step2:初始化系统环境U，并初始化攻击节点的位置s；Step3:将攻击节点位置s收集进U中；Step4:随机0,1中的一个数，判断该数是否大于贪婪系数ε，若是，则执行Step5，否则执行Step6；Step5:利用分类器f来得到当前攻击节点位置在当前的分类器f下游走概率最大的方向a；Step6:根据当前的攻击节点位置s进行随机指定下一个游走方向a，游走方向皆为攻击节点的邻近节点；Step7:攻击节点根据游走方向a进行游走，更新攻击节点s；Step8:将更新后的攻击节点位置s收集进U中；Step9:判断攻击代理A下的攻击节点位置s是否到达源节点，若是，结束循环，执行Step10，否则继续执行Step4-8；Step10:判断贪婪系数ε是否大于0.05，若是，则执行Step11，否则执行Step12；Step11:更新贪婪系数ε为ε-Δε；Step12:利用样本信息度的多重采样策略算法对游走过程中收集的网络流量数据U根据样本信息度进行多重采样处理得到无标签的网络流量样本集合的信息度集合Z；Step13:利用基于样本空间性的采样策略算法对无标签的网络流量样本集合的信息度集合Z根据样本空间性进行采样处理得到候选样本集合Ucandicates；Step14:利用基于样本多样性的采样策略算法对候选样本集Ucandicates根据样本多样性进行采样处理并进行专家标注后得到专家标注样本集合L；Step15:针对全部的专家集合中的专家和专家标注样本集合L更新分类器、分类器性能指标模型游走步长Step16:更新攻击代理A；Step17:判断迭代次数m是否大于最大筛选迭代次数M，若是，则执行Step18，否则执行Step2-16；Step18:利用攻击模型专家筛选算法对分类器性能指标模型游走步长进行处理得到最优专家oc；Step19:利用基于ε-贪心的专家决策优化算法对最优专家oc进行处理得到权重最大的一个专家决策

全文数据：

权利要求：

百度查询： 浙江工业大学 一种基于ε-贪心专家决策筛选的主动学习溯源攻击方法

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