基于BP神经网络算法的恶意代码检测系统

针对恶意代码检测系统因未有效激发神经元获取激发路径、收敛较差导致识别准确性低的现状,研究基于BP神经网络算法的恶意代码检测系统。该系统依据动态二进制与静态反汇编技术分析恶意代码并提取恶意代码特征,利用BP神经网路算法检测网络恶意代码,并针对差异输入激发不同神经元组成激发路径,再针对激发路径权值调整训练样本提升检测准确性。实验结果表明,该系统检测网络中恶意代码准确率高达99%,实时性较好,具有实际应用价值。

基于数字图像的信息安全加密软件的设计与实现

为了加强信息传输过程的安全,本文提出并实现了一种结合高级加密标准AES算法和LSB图像信息隐写技术两种应用的数字图像隐写软件,该软件基于QT creater平台开发,采用C++语言编写,将信息加密隐藏在BMP格式的图像中,并能够进行隐写解密。

基于一维卷积神经网络的HTTP慢速DoS攻击检测方法

为解决HTTP慢速拒绝服务(SHDoS)攻击流量检测在攻击频率变化时出现的准确率降低的问题,提出一种基于一维卷积神经网络(CNN)的SHDoS攻击流量检测方法。首先,该方法在多种攻击频率下对三种类型的SHDoS攻击流量进行报文采样和数据流提取;之后,设计了一种数据流转换算法,将采集的攻击数据流转换为一维序列并进行去重;最后,使用一维CNN构建分类模型,该模型通过卷积核来提取序列片段,并从片段中学习攻击样本的局部模式,从而使模型对多种攻击频率的数据流都具备检测能力。实验结果显示,与基于循环神经网络(RNN)、长短期记忆(LSTM)网络及双向长短期记忆(Bi-LSTM)网络构建的分类模型相比,该模型对未知攻击频率的样本同样具有较好的检测能力,在验证集上的检测准确率和精确率分别达到了96.76%和94.13%。结果表明所提方法能够满足对不同攻击频率的SHDoS流量进行检测的需求。

案件数据获取与动态数学模型

案件数据与证据获取中隐藏着完备的数学方法。利用具有动态特征的数学模型与方法揭示侦查工作中的案件数据与证据获取的动态过程。首先介绍具有动态特征的数学模型与结构的预备概念,在此基础上推导出数据的证据特征与未知数据获取的关系,提出案件数据与证据获取的数学方法流程,最后利用这些结果给出了数学模型在案件数据与证据获取的应用。

微信息的嵌入生成及其智能隐藏-还原

基于具有动态特性与属性合取特性的P-集合模型,给出了α^(F)-微信息、α^(F)-微信息与(α^(F),α^(F))-微信息的嵌入生成和信息隐藏;利用这些概念,给出了微信息系统及其结构,以及微信息的智能隐藏及其还原-获取;最后介绍了这些概念的应用。