轻量级生成对抗网络、匿名网络环境下基于该网络的加密流量隐匿方法及设备

    公开(公告)号:CN117544353A

    公开(公告)日:2024-02-09

    申请号:CN202311495222.0

    申请日:2023-11-10

    Applicant: 江苏大学

    Abstract: 本发明公开了轻量级生成对抗网络、匿名网络环境下基于该网络的加密流量隐匿方法及设备,包括1.对普通流量进行基于特征关联性加权的分裂层次聚类;2.将步骤1中的类簇进行数据增强;3.根据步骤2中的类簇,训练使用引入带有权衡因子的正交化权重矩阵的变分自编码器;4.使用编码器和解码器输出浓缩隐变量和模糊流量;5.根据步骤4的结果,训练改进后的轻量级生成对抗网络;6.根据步骤5的结果,修改匿名网络出入口节点的加密流量。本发明将生成器和判别器的大量计算分摊到训练更稳定、时间开销更小的变分自编码器,不仅能够生成与目标流量相似的虚假流量,躲避流量分析攻击,而且能够减少生成对抗网络参数、网络层数,实现模型的轻量化。

    一种融合熵、方差和相关系数的权重分配特征评估与选择方法及计算机设备

    公开(公告)号:CN117113060A

    公开(公告)日:2023-11-24

    申请号:CN202311186747.6

    申请日:2023-09-14

    Applicant: 江苏大学

    Abstract: 本发明公开了一种融合熵、方差和相关系数的权重分配特征评估与选择方法及计算机设备,包括:(1)确定数据集;(2)对数据集进行样本划分;(3)计算每类样本特征的相关系数;(4)计算每类样本特征的方差;(5)计算每类样本特征的熵;(6)将得到的三项特征指标进行缩放和权重分配;(7)递归添加特征,选出最重要的特征集合;(8)合并经过特征选择后的每个样本,并检查特征维度;本发明综合考虑了特征的统计特性、信息特性和相关度三个指标,将误报率作为衡量标准,使用递归添加特征法训练模型,在保证模型性能的同时,能全面快速的选择出最适合数据样本的特征子集,达到降维、消除冗余、提高训练效率和减少过拟合的目的。

Patent Agency Ranking