| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第1章 绪论 | 第9-15页 |
| 1.1 课题研究背景及意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-12页 |
| 1.2.1 文件碎片类型检测的国内外现状 | 第10-11页 |
| 1.2.2 深度学习的国内外现状 | 第11-12页 |
| 1.3 本文的研究内容 | 第12-13页 |
| 1.4 本文的组织结构 | 第13-15页 |
| 第2章 数字取证中文件碎片类型检测的相关算法 | 第15-28页 |
| 2.1 引言 | 第15页 |
| 2.2 数字取证与文件碎片类型检测 | 第15-16页 |
| 2.3 文件类型格式及存储结构 | 第16-19页 |
| 2.3.1 文件类型格式与存储结构概述 | 第16-18页 |
| 2.3.2 高熵文件类型特点分析 | 第18-19页 |
| 2.4 基于相似度度量的文件碎片类型检测算法 | 第19-22页 |
| 2.4.1 欧几里德距离 | 第20页 |
| 2.4.2 夹角余弦相似度 | 第20-21页 |
| 2.4.3 马哈拉诺比斯距离 | 第21-22页 |
| 2.4.4 曼哈顿距离 | 第22页 |
| 2.5 基于传统机器学习的文件碎片类型检测特征与算法 | 第22-26页 |
| 2.5.1 常见的特征向量 | 第23-24页 |
| 2.5.2 常见的机器学习方法 | 第24-26页 |
| 2.6 基于神经网络的文件碎片类型检测算法 | 第26-27页 |
| 2.6.1 人工神经网路 | 第26-27页 |
| 2.6.2 深度卷积神经网络 | 第27页 |
| 2.7 本章小结 | 第27-28页 |
| 第3章 基于N-Gram与支持向量机的文件碎片类型检测算法 | 第28-36页 |
| 3.1 引言 | 第28页 |
| 3.2 文件碎片类型检测的网络结构 | 第28-29页 |
| 3.3 基于N-GRAM的特征提取与正则化 | 第29-30页 |
| 3.4 基于支持向量机的文件碎片类型检测 | 第30-33页 |
| 3.4.1 线性可分 | 第30页 |
| 3.4.2 线性不可分与核函数 | 第30-32页 |
| 3.4.3 One-vs-Rest多分类方法 | 第32-33页 |
| 3.5 算法的实现 | 第33-35页 |
| 3.6 本章小结 | 第35-36页 |
| 第4章 基于数字图像灰度转化和深度学习的文件碎片类型检测算法 | 第36-48页 |
| 4.1 引言 | 第36页 |
| 4.2 灰度图的特征描述 | 第36-37页 |
| 4.3 卷积神经网络 | 第37-39页 |
| 4.4 文件碎片类型检测的网络结构 | 第39-42页 |
| 4.4.1 从文件碎片到灰度图像转换结构 | 第39-40页 |
| 4.4.2 深度卷积神经网络的结构 | 第40-41页 |
| 4.4.3 与传统CNN算法结构对比 | 第41-42页 |
| 4.5 深度卷积神经网络的文件碎片类型检测优化算法 | 第42-45页 |
| 4.5.1 1x1卷积运算 | 第42-43页 |
| 4.5.2 优化的损失函数 | 第43-44页 |
| 4.5.3 自适应矩估计优化梯度下降方法 | 第44-45页 |
| 4.6 算法的实现 | 第45-47页 |
| 4.7 本章小结 | 第47-48页 |
| 第5章 实验设计与分析 | 第48-57页 |
| 5.1 引言 | 第48页 |
| 5.2 系统开发环境 | 第48页 |
| 5.3 数据集及评测标准 | 第48-50页 |
| 5.3.1 文件类型与数据类型 | 第48-49页 |
| 5.3.2 数据集选取与预处理 | 第49页 |
| 5.3.3 评测标准 | 第49-50页 |
| 5.4 数字取证中文件碎片类型检测对比算法 | 第50-55页 |
| 5.4.1 基于N-Gram与支持向量机的算法 | 第51-52页 |
| 5.4.2 基于数字图像灰度转化和深度学习的算法 | 第52-55页 |
| 5.5 本章小结 | 第55-57页 |
| 结论 | 第57-58页 |
| 参考文献 | 第58-63页 |
| 攻读硕士学位期间发表的论文及其他成果 | 第63-65页 |
| 致谢 | 第65页 |
