基于DNS日志的高级持续性威胁智能监测方法及应用

近年来,复杂环境下的高级持续性威胁(APT)防御逐渐成为网络安全关注的重点。APT攻击隐蔽性强,早期发现则危害性较小。本文基于DNS日志深度挖掘,由DGA域名智能检测和APT隧道智能检测等功能入手,从DNS日志角度提出APT防御的新思路和方法。基于转换神经网络和门控循环神经网络融合算法,以及统计机器学习算法,实现了对恶意DGA域名和APT攻击DNS隧道的检测,弥补了网络安全措施对算法生成域名关注度的不足和DNS易被APT潜伏利用的漏洞。通过在实验网络环境中的深度测试,结果表明论文方法能够较好地应对日益严峻的互联网APT安全威胁。

基于统计机器学习算法的隐私保护在数据发布与数据挖掘中的应用分析

在数字化时代,数据已成为重要资源,其对国家治理、经济发展、社会秩序、人民生活的影响越来越大。如何保障数据的使用安全、共享安全,是目前信息安全研究领域的一个重要课题。文章重点分析了隐私保护技术以及多种机器学习方法的隐私保护技术在数据发布和数据挖掘中的应用。在数据发布方面,可以采用聚类算法、差分隐私算法;在数据挖掘方面,主要利用差分隐私以满足数据挖掘领域的高层次隐私需求;在联邦学习方面,针对本地差分、中心差分、分布式差分进行了介绍。最后,文章介绍了隐私保护在其他方面的应用,并展望了未来的研究方向。