一种基于深度学习的网络隐蔽信道检测方法研究
| 摘要 | 第5-6页 |
| abstract | 第6页 |
| 第1章 绪论 | 第10-14页 |
| 1.1 研究背景 | 第10-12页 |
| 1.1.1 网络隐蔽信道的相关概念 | 第10-11页 |
| 1.1.2 研究的目的与意义 | 第11-12页 |
| 1.2 本文的主要研究内容 | 第12页 |
| 1.3 本文的结构安排 | 第12-14页 |
| 第2章 相关知识和研究现状 | 第14-29页 |
| 2.1 隐蔽信道的分类与特征 | 第14-16页 |
| 2.1.1 隐蔽信道的实现与分类 | 第14-15页 |
| 2.1.2 网络隐蔽信道的特征 | 第15-16页 |
| 2.2 现有的网络隐蔽信道检测算法 | 第16-21页 |
| 2.2.1 基于密度聚类的检测算法 | 第18页 |
| 2.2.2 基于聚类分析的NCCD | 第18-20页 |
| 2.2.3 基于SVM的隐蔽信道检测分析 | 第20-21页 |
| 2.2.4 用机器学习的分类器检测隐蔽信道 | 第21页 |
| 2.3 深度学习 | 第21-25页 |
| 2.3.1 深度学习简介 | 第21-24页 |
| 2.3.2 深度学习算法的常见分类 | 第24-25页 |
| 2.3.3 深度学习的数学模型 | 第25页 |
| 2.4 网络隐蔽信道检测建模 | 第25-28页 |
| 2.5 本章小结 | 第28-29页 |
| 第3章 基于循环神经网络的网络隐蔽信道检测算法 | 第29-47页 |
| 3.1 隐蔽信道检测算法的新思路 | 第29-31页 |
| 3.2 隐蔽信道检测算法结构 | 第31-32页 |
| 3.3 选择循环神经网络进行NCCD的原因 | 第32-36页 |
| 3.4 RNN检测算法的内部实现 | 第36-45页 |
| 3.4.1 Embedding层的实现 | 第37-38页 |
| 3.4.2 LSTM的实现 | 第38-43页 |
| 3.4.3 全连接层输出的实现 | 第43-44页 |
| 3.4.4 Regression的实现 | 第44-45页 |
| 3.5 本章小结 | 第45-47页 |
| 第4章 实验及分析 | 第47-61页 |
| 4.1 机器学习实验的一般步骤 | 第47-48页 |
| 4.2 实验环境 | 第48-50页 |
| 4.2.1 Python扩展库 | 第48-49页 |
| 4.2.2 Tensor Flow简介 | 第49-50页 |
| 4.3 实验数据集介绍 | 第50页 |
| 4.4 实验方法 | 第50-52页 |
| 4.4.1 普通机器学习检测实验 | 第50-51页 |
| 4.4.2 深度学习检测实验 | 第51-52页 |
| 4.5 实验结果及分析 | 第52-59页 |
| 4.6 本章小结 | 第59-61页 |
| 结论 | 第61-63页 |
| 参考文献 | 第63-68页 |
| 致谢 | 第68页 |
