一种基于大数据的VoIP音频溯源方法的研究与实现
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-14页 |
| 1.1 研究背景 | 第10页 |
| 1.2 国内外研究现状 | 第10-12页 |
| 1.3 研究内容 | 第12页 |
| 1.4 本文章节安排 | 第12-14页 |
| 第二章 相关技术 | 第14-24页 |
| 2.1 VoIP简介 | 第14页 |
| 2.2 SIP协议概述 | 第14-15页 |
| 2.2.1 SIP的逻辑实体 | 第15页 |
| 2.2.2 SIP的应用 | 第15页 |
| 2.3 VoIP网络体系结构 | 第15-16页 |
| 2.4 RTP协议 | 第16-17页 |
| 2.5 机器学习算法简介 | 第17-18页 |
| 2.6 音频中与地理位置相关的特征 | 第18-23页 |
| 2.6.1 音频携带的网络特征 | 第20-22页 |
| 2.6.2 音频中蕴含的地理位置相关特征 | 第22-23页 |
| 2.7 本章小结 | 第23-24页 |
| 第三章 VoIP溯源需求分析 | 第24-27页 |
| 3.1 VoIP威胁建模 | 第24-25页 |
| 3.2 VoIP溯源问题定义 | 第25-26页 |
| 3.3 本章小结 | 第26-27页 |
| 第四章 VoIP溯源方法的设计 | 第27-58页 |
| 4.1 VoIP音频溯源方法架构 | 第27-28页 |
| 4.2 网络监听与数据包解析 | 第28-31页 |
| 4.2.1 网络监听实现数据包截获 | 第28-29页 |
| 4.2.2 数据包解析实现音频还原 | 第29-31页 |
| 4.3 音频采样 | 第31-32页 |
| 4.4 特征工程 | 第32-56页 |
| 4.4.1 音频基础特征提取 | 第33-37页 |
| 4.4.2 动态差分特征提取 | 第37页 |
| 4.4.3 机器学习实现VoIP溯源模型 | 第37-43页 |
| 4.4.4 贡献度权重高的特征 | 第43-46页 |
| 4.4.5 MFCC序列化特征 | 第46-53页 |
| 4.4.6 基于LSTM神经网络提取的隐式特征 | 第53-56页 |
| 4.5 本章小结 | 第56-58页 |
| 第五章 溯源方法的验证与分析 | 第58-70页 |
| 5.1 实验目的 | 第58页 |
| 5.2 实验环境部署 | 第58-64页 |
| 5.2.1 实验条件和工具 | 第58-59页 |
| 5.2.2 SIP服务器选取 | 第59页 |
| 5.2.3 SIP服务器搭建 | 第59-63页 |
| 5.2.4 SIP用户注册 | 第63-64页 |
| 5.3 实验数据收集 | 第64-66页 |
| 5.3.1 实验场景设置 | 第64-66页 |
| 5.3.2 实验数据收集 | 第66页 |
| 5.4 对比场景实验结果与分析 | 第66-67页 |
| 5.5 综合各实验结果分析 | 第67-69页 |
| 5.6 本章小结 | 第69-70页 |
| 第六章 结束语 | 第70-72页 |
| 6.1 论文工作总结 | 第70-71页 |
| 6.2 未来工作展望 | 第71-72页 |
| 参考文献 | 第72-74页 |
| 致谢 | 第74页 |
