基于机器学习的密码体制识别研究
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第13-19页 |
| 1.1 引言 | 第13-14页 |
| 1.1.1 大数据时代数据分析技术的发展 | 第13页 |
| 1.1.2 网络数据的复杂性 | 第13-14页 |
| 1.1.3 研究内容概述 | 第14页 |
| 1.2 机器学习简介 | 第14-16页 |
| 1.2.1 浅层学习阶段 | 第15-16页 |
| 1.2.2 深层学习阶段 | 第16页 |
| 1.3 密码学简介 | 第16-17页 |
| 1.4 机器学习与密数据分析结合研究 | 第17页 |
| 1.5 课题研究路径 | 第17-19页 |
| 第二章 相关研究综述 | 第19-25页 |
| 2.1 引言 | 第19页 |
| 2.2 机器学习理论 | 第19-20页 |
| 2.2.1 机器学习概念 | 第19页 |
| 2.2.2 机器学习分类 | 第19-20页 |
| 2.3 密码体制识别研究综述 | 第20-25页 |
| 2.3.1 基本方法和理论现状 | 第20-21页 |
| 2.3.2 现有识别方案概述 | 第21-23页 |
| 2.3.3 密码体制识别的发展方向 | 第23-25页 |
| 第三章 基于支持向量机的密码体制识别方案 | 第25-35页 |
| 3.1 问题的提出 | 第25页 |
| 3.2 密码体制识别模型及相关指标 | 第25-27页 |
| 3.2.1 密码体制识别模型 | 第25-26页 |
| 3.2.2 模型评价相关指标 | 第26-27页 |
| 3.3 基于机器学习的密码体制识别方案 | 第27-30页 |
| 3.3.1 密文特征提取算法 | 第27-29页 |
| 3.3.2 密码体制识别算法 | 第29-30页 |
| 3.4 实验环境与设计 | 第30-34页 |
| 3.4.1 实验平台与数据采集 | 第30页 |
| 3.4.2 实验结果与分析 | 第30-34页 |
| 3.5 本章小结 | 第34-35页 |
| 第四章 基于随机性测试的密码体制识别方案 | 第35-47页 |
| 4.1 问题的提出 | 第35-36页 |
| 4.2 随机性测试的数学基础 | 第36-37页 |
| 4.3 基于随机性测试的密文特征提取方法 | 第37-40页 |
| 4.4 密码体制识别方案 | 第40页 |
| 4.5 实验环境与设计 | 第40-45页 |
| 4.5.1 实验平台与数据采集 | 第40-41页 |
| 4.5.2 实验结果与分析 | 第41-45页 |
| 4.6 本章小结 | 第45-47页 |
| 第五章 密码体制识别方法与特征优化 | 第47-56页 |
| 5.1 密码体制识别的分类算法简介 | 第47页 |
| 5.2 机器学习算法介绍 | 第47-49页 |
| 5.3 密文特征提取 | 第49页 |
| 5.4 实验设计与分析 | 第49-54页 |
| 5.4.1 各分类器识别性能对比 | 第50-51页 |
| 5.4.2 随机森林分类器性能优化 | 第51-53页 |
| 5.4.3 两类决策树分类器性能优化 | 第53-54页 |
| 5.5 本章小结 | 第54-56页 |
| 第六章 Grain-128的密码体制识别研究 | 第56-66页 |
| 6.1 问题的提出 | 第56页 |
| 6.2 密文特征提取及分类算法 | 第56-58页 |
| 6.2.1 密文特征 | 第56-58页 |
| 6.2.2 分类算法 | 第58页 |
| 6.3 实验设计与分析 | 第58-65页 |
| 6.3.1 实验平台与数据采集 | 第58-59页 |
| 6.3.2 密码体制识别方案 | 第59页 |
| 6.3.3 实验结果分析与验证 | 第59-62页 |
| 6.3.4 密文特征的降维 | 第62-64页 |
| 6.3.5 实验数据的检验 | 第64-65页 |
| 6.4 本章小结 | 第65-66页 |
| 第七章 总结与展望 | 第66-68页 |
| 7.1 本文工作小结 | 第66页 |
| 7.2 进一步研究方向 | 第66-68页 |
| 致谢 | 第68-69页 |
| 参考文献 | 第69-75页 |
| 作者简历 | 第75-76页 |
