-
题名基于图注意力网络的加密恶意流量检测
- 1
-
-
作者
王祥淇
杨文军
莫秀良
-
机构
天津理工大学计算机科学与工程学院
天津理工大学计算机病毒防治技术国家工程实验室
-
出处
《计算机工程与设计》
北大核心
2025年第7期1944-1950,共7页
-
基金
国家重点研发计划“区块链”重点专项基金项目(2023YFB2703900)。
-
文摘
为高效检测恶意加密流量在真实环境下的分类效果,提出一种基于图注意力网络(GAT)的加密恶意流量检测模型。将流量数据转换为图结构输入到图注意力网络中进行特征学习,引入注意力机制捕捉流量之间的相关性,进一步强化同类之间的关系,提升模型分类效果。采用XGBoost作为模型分类器,进一步提升模型的分类和泛化能力。在真实的加密网络流量中进行加密恶意流量检测,取得了优异的表现,准确率超过了97%,与现有多种方法相比,具有更好的检测效果。
-
关键词
流量分类
加密恶意流量
图注意力网络
极端梯度提升
特征提取
图神经网络
图模型
-
Keywords
traffic classification
encrypted malicious traffic
graph attention network
XGBoost
feature extraction
graph neural network
graph model
-
分类号
TP393.08
[自动化与计算机技术—计算机应用技术]
-
-
题名平衡鲁棒性与数据失真的可逆数据库水印方案
- 2
-
-
作者
王春东
李悦
-
机构
天津理工大学计算机科学与工程学院
天津理工大学计算机病毒防治技术国家工程实验室
-
出处
《桂林理工大学学报》
北大核心
2025年第1期103-110,共8页
-
基金
国家自然科学基金联合基金项目(U1536122)
天津市科委重大专项(15ZXDSGX00030)。
-
文摘
数据库水印在保护版权和防止数据泄露方面起着不可替代的作用,但往往数据失真度和水印鲁棒性是正相关关系,鲁棒性越高,失真度越大。针对此问题,提出了一种平衡水印鲁棒性和数据失真的最优可逆数据库水印方案(IGADEW)。该方案不再局限于寻找单一最佳嵌入密钥,亦或最佳嵌入位置,而是利用遗传算法(GA)综合优化对象,设计带权目标函数来评估鲁棒性和失真度的平衡。IGADEW方案中引入基于散列函数的消息验证码(HMAC)加密、数字签名手段来保证鲁棒性,设置阈值约束来限制数据失真。可逆嵌入操作基于差值扩展(DEW)算术运算实现,并在提取阶段使用投票机制来避免检测结果的随机性。使用UCI数据集验证了方案的有效性,与现有方案相比,IGADEW对常见的插入、删除、修改攻击具有更好的鲁棒性,同时数据失真更小。
-
关键词
可逆数据库水印
鲁棒性
数据失真
差值扩展
遗传算法
-
Keywords
reversible database watermarking
robustness
data distortion
differential extension watermarking
genetic algorithm
-
分类号
TP309.7
[自动化与计算机技术—计算机系统结构]
TP311.13
[自动化与计算机技术—计算机软件与理论]
-
-
题名基于欠采样和多层集成学习的恶意网页识别
被引量：1
- 3
-
-
作者
王法玉
于晓文
陈洪涛
-
机构
天津理工大学计算机病毒防治技术国家工程实验室
-
出处
《计算机工程与设计》
北大核心
2024年第3期669-675,共7页
-
基金
国家自然科学基金项目(61571328)。
-
文摘
现实中恶意网页与良性网页比重严重失衡,传统的机器学习分类模型不能很好的应用,为此提出一种基于欠采样和多层集成学习的恶意网页检测模型。通过欠采样达到局部数据平衡;通过第一层基于权重和阈值的集成学习确保模型的准确度;通过第二层基于投票的集成学习保证全局信息的完整性。实验结果表明,所提模型在不平衡数据集上的恶意网页识别性能优于传统机器学习模型。
-
关键词
恶意网页识别
不平衡数据
多层分类器
欠采样
机器学习
集成学习
检测效果
-
Keywords
malicious web page identification
unbalanced data
multilayer classifier
under sampling
machine learning
integrated learning
detection effect
-
分类号
TP393
[自动化与计算机技术—计算机应用技术]
-
-
题名面向区块链交易可视分析的地址增量聚类方法
被引量：5
- 4
-
-
作者
王劲松
吕志梅
赵泽宁
张洪玮
-
机构
天津理工大学计算机科学与工程学院
天津理工大学天津市智能计算及软件新技术重点实验室
天津理工大学计算机病毒防治技术国家工程实验室
-
出处
《计算机工程》
CAS
CSCD
北大核心
2020年第8期14-20,共7页
-
基金
国家重点研发计划(2018YFC0831405)
天津市自然科学基金(18JCZDJC30700)。
-
文摘
比特币是一种基于区块链的加密货币,其因具备伪匿名性而常被用于异常交易活动中。目前比特币实体识别多通过启发式聚类方法实现,但此类方法未考虑新数据出现后的结果融合问题,导致算法效率较低。针对该问题,提出一种基于比特币交易数据的增量聚类方法。对区块数据进行分析以获取钱包地址的可聚类交易,构成聚类地址组,并通过查找地址索引表提取聚类实体间的关系。利用并查集算法对该区块钱包地址数据进行增量聚类,得到新的比特币实体关系,进而推测实体类型。同时,对实体进行识别和标注,实现实体交易行为的可视分析。实验结果表明,该方法可以准确地对地址进行增量聚类,体现比特币实体的演变过程,与启发式聚类方法相比时间复杂度更低。
-
关键词
比特币
区块链交易
可视分析
增量聚类
并查集
-
Keywords
Bitcoin
blockchain transaction
visual analysis
incremental clustering
union-find set
-
分类号
TP399
[自动化与计算机技术—计算机应用技术]
-
