买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：江苏大学

摘要：本发明公开一种针对匿名服务网站指纹攻击的特征提取方法及系统，首先从原始流量中过滤出匿名服务网页流量，通过孪生模型提取出双重高维深度特征向量，弥补现有技术依赖于使用不同模型以提取多模态特征需要高计算开销的缺点与直接使用参数共享机制易造成参数冗余与梯度爆炸的缺点，然后使用特征萃取‑融合网络从双重高维深度特征向量中分离出特定特征向量与共享特征向量，并从样本间与样本内两个层面分析调整了特征向量距离；然后使用改进的对数据进行降维，最后通过动态特征融合策略融合共享特征向量,使用该向量训练分类器并识别匿名服务网页标签。本发明实现了从原始流量中过滤出匿名服务网页流量，提取用于网站指纹攻击的融合特征，提升了鲁棒性的同时保持较高的识别率。

主权项：1.一种针对匿名服务网站指纹攻击的特征提取方法，其特征在于：包括以下内容：1采集网页流量文件中的原始数据包，去除其中的噪声，并根据数据包的时间间隔分布来确定突发间隔以及分割突发，从每个不间断突发中提取出数据包大小序列与数据包方向序列，并通过孪生模型提取出双重高维深度特征向量；此处提取双重高维深度特征向量时使用的孪生模型中设有部分参数共享机制，其具体过程为：特征向量每经过一个一维卷积层都会被输入到一个BN批量归一化层，并针对所属模态计算尺度与偏差，即其中xs和ys为输入和输出的特征向量，μs和是当前小批量的均值与标准差，∈为一个大于0小于1的常数；激活层使用PReLu同时考虑处理正负输入，即其中α为不共享的可学习参数；γs是指对xs归一化后的值进行缩放的缩放因子，βs是指对xs归一化后的值进行移动的尺度，x是至BN层输出的特征向量中的每个特征值，即ys中的每个特征值，α是指对每个小于0的特征值进行缩放的缩放因子；该孪生模型中除BN层和激活层之外的所有平行卷积层参数均是部分跨模态共享，即对每层的卷积核均进行线性变换，对于任意的卷积核集F，其中每个卷积核Ft都可以表示为一系列低秩的卷积核基加权求和得到Ft； 其中为某一个卷积核基，Rank为卷积核基的秩，αr为系数，此处共享且保留特定于模态的αr；2使用特征萃取-融合网络中的稀疏自动编码层对步骤1所得特征向量线性投影和非线性激活，并从中分离出特定特征向量和共享特征向量，然后通过逆向化余弦相似度来衡量特征向量之间的距离并计算样本间和样本内的距离损失与输出特征向量的稀疏性惩罚；其中，具体是使用多层的稀疏自动编码器将双重高维深度特征向量分割为两个不同的部分，即特定特征向量和共享特征向量l代表层数，l∈{1,2…,n}；和分别代表数据包大小和方向序列经过l+1层稀疏编码层提取后的特定特征向量；和分别代表数据包大小和方向序列经过l+1层稀疏编码层提取后的共享特征向量；Ws是指所有稀疏编码层共享的权重参数，用于对第l层数据包大小序列的特定特征向量线性投影；Wd是指所有稀疏编码层共享的权重参数，用于对第l层数据包方向序列的特定特征向量线性投影；是指分离第l层数据包大小序列特定特征向量时特定于第l层时的不共享偏置；是指分离第l层数据包方向序列特定特征向量时特定于第l层时的不共享偏置；是指分离第l层数据包大小序列共享特征向量时特定于第l层时的不共享偏置；是指分离第l层数据包方向序列共享特征向量时特定于第l层时的不共享偏置；3改进L2,0.4-normPCA，并结合不同的投影矩阵与重构矩阵对步骤2网络的最后一层输出进行降维，利用有标记样本训练网络，通过降低网络损失提取出满足特征距离小与参数稀疏性平衡的共享特征；4通过动态特征融合策略综合评价并计算两种共享特征集中所有特征的权重，然后按照特征集的不同分别进行归一化，并将归一化后的权重之和作为整个特征集的权重，最后提取加权后的特征向量。

全文数据：

权利要求：

百度查询： 江苏大学 一种针对匿名服务网站指纹攻击的特征提取方法及系统