基于数据增强与流数据处理的Tor流量分析模型

摘要：

To r流量分析技术为打击利用To r匿名通信工具从事的暗网犯罪活动提供了技术支撑,但目前存在数据难于收集、数据集不平衡、模型抗概念漂移能力差等问题.提出一种结合堆叠去噪自编码器和在线序列极限学习机的To r流量分析模型.对原始To r PA C P包进行分割、去噪处理并提取特征序列.在此基础上,将一维序列转化为可视化灰度图并输入改进多尺寸深度卷积生成对抗网络,生成To r流量样本以平衡数据集,利用堆叠降噪自动编码器进行序列降维并将特征输入在线序列极限学习机实现To r匿名流量的在线流识别.实验结果表明,改进多尺寸深度卷积生成对抗网络可用于提升数据集质量并提高模型识别率约2.8个百分点,结合在线序列极限学习机和堆叠去噪自编码器的流量分析模型准确率可达95.7％,识别效率较传统卷积神经网络和长短期记忆网络模型有较大提升.

关键词：洋葱路由、概念漂移、流数据挖掘、数据增强、深度卷积生成对抗网络、堆叠去噪自动编码器、在线序列极限学习机

所属期刊栏目：49

分类号：TP309(计算技术、计算机技术)

资助基金：中国人民公安大学基科费项目;国家重点研发计划

在线出版日期：2023-03-17（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：177-184