检索结果-南通市图书馆

作者：王宝楠安徽理工大学

学位级别：硕士

随着大数据时代的到来,数据分析、统计与发布等应用需求的出现,使得相关社会机构可以获得大量个人和组织的数据信息进行数据挖掘与分析研究,从而带来商业价值和科研价值。例如各大商场的顾客购物数据、各个楼盘顾客购房的信息、移动营... 详细信息

随着大数据时代的到来,数据分析、统计与发布等应用需求的出现,使得相关社会机构可以获得大量个人和组织的数据信息进行数据挖掘与分析研究,从而带来商业价值和科研价值。例如各大商场的顾客购物数据、各个楼盘顾客购房的信息、移动营业厅用户的业务办理信息、各大银行客户信息、证券公司个人交易数据的分析与统计等。但是,这些数据涉及到大量个人隐私信息,一旦对这些数据发布和分析,都面临着隐私泄露的问题,因此如何对隐私数据进行保护以防止敏感信息泄露已经成为当前面临的艰巨任务。差分隐私保护技术是当前数据发布中最主要的隐私保护方法。它通过向查询数据中添加噪音来干扰攻击者泄露原始数据的目的,从而达到隐私保护效果。差分隐私保护技术的应用使得数据发布的效率得到了很大的提高,但为了满足差分隐私要求需要注入过高的噪音,影响数据的正确性和可靠性,最终导致结果低质量。本文重点研究差分隐私拉普拉斯机制的线性回归分析方法,该方法对回归分析中的目标函数而不是结果采用差分隐私进行噪声干扰,在每个数据集上进行回归分析,用剩余属性来进行结果预测,最后比较误差率并分析实验结果。实验表明所采用的方法既保护了用户的隐私数据,又不影响线性回归分析的有效性。论文主要做了以下几个方面的研究工作：(1)研究了当前部分差分隐私模型拟合的应用及其不足之处。(2)分析了差分隐私保护模型的基础理论和工作原理。(3)利用差分隐私拉普拉斯机制构建线性回归模型,并对模型进行优化与评估。

关键词：隐私保护线性回归拉普拉斯机制差分隐私

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于局部差分隐私保护的数据收集统计研究

基于局部差分隐私保护的数据收集统计研究

作者：疏令安徽理工大学

学位级别：硕士

为处理用户隐私信息泄露问题,众多学者、机构提出了不同的隐私保护技术。传统的匿名化隐私保护技术已经很难满足用户对自身隐私保护的需求,目前差分隐私保护技术是公认的最严谨、最有效的隐私保护技术。为实现用户第三方获取自己个人信... 详细信息

为处理用户隐私信息泄露问题,众多学者、机构提出了不同的隐私保护技术。传统的匿名化隐私保护技术已经很难满足用户对自身隐私保护的需求,目前差分隐私保护技术是公认的最严谨、最有效的隐私保护技术。为实现用户第三方获取自己个人信息的目标,局部差分隐私在用户端就保证了用户数据的安全,也成为最热门的研究领域。本文对隐私保护系统、匿名化隐私保护技术、中心化差分隐私、局部差分隐私以及与之相关的理论概念都做出了详细描述,并且对基于局部差分隐私的RAPPOR算法过程及原理做出了更加深刻的研究,发现其不足之处,并提出改进算法。RAPPOR算法中,用户端根据Bloom filter原理对数据进行转换,再利用随机响应技术进行扰动,最后在数据收集端进行解码、纠正和统计频数。由于数据各个属性值的频数差异较大,利用RAPPOR算法收集统计到的各个属性值的频数误差较大,甚至一些低频数的属性值出现丢失的情况。另外,在用户数据转换后传递的通行代价也较大,算法中回归计算也增加了误差。本文针对RAPPOR算法的不足,利用K-means聚类算法对数据属性值进行分类,再根据相应类别进行收集统计。接着运用数据无损压缩方法对用户转换后的0、1比特向量进行无损压缩,以减少通信代价。另外,我们对算法过程进行调整,使后期不需要进行回归计算。最后,采用美国UCI数据库中的Adult数据集进行实验,依据KL-散度和余弦相似度在不同数量分组的数据集和不同隐私预算的情况下进行统计后数据的可用性对比,再根据压缩率展示通信代价的压缩程度。由实验结果可知,改进后的KC-RAPPOR算法的统计数据可用性更高,通信代价较小。图[20]表[7]参[53]

关键词：隐私保护局部差分隐私数据无损压缩方法 K-means算法

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于单词级扰动的文本对抗研究

基于单词级扰动的文本对抗研究

作者：张影安徽理工大学

学位级别：硕士

研究显示深度神经网络模型容易受到对抗样本影响,这些样本与原始输入相比有着难以察觉的变化,却能欺骗模型做出错误的决策,这一问题在全球引起了强烈重视。本论文从文本对抗样本的生成和防御两个方面进行深入探索,分别提出针对单词级扰... 详细信息

研究显示深度神经网络模型容易受到对抗样本影响,这些样本与原始输入相比有着难以察觉的变化,却能欺骗模型做出错误的决策,这一问题在全球引起了强烈重视。本论文从文本对抗样本的生成和防御两个方面进行深入探索,分别提出针对单词级扰动的对抗样本生成算法和防御算法,目的是通过暴露深度神经网络模型的弱点以减轻模型遭受到的破坏从而提高鲁棒性。本文的主要工作如下:(1)在对抗样本生成方面,针对现有的一些基于单词级扰动的生成算法存在单词替换数量多、替换顺序不理想等情况,导致对抗样本可读性差的问题,本文提出基于单词重要性联合分类概率的文本对抗样本生成算法进行改善。为改善单词替换数量多的问题,该算法利用单词重要性计算函数得到单词重要性分数,再根据文本特点建立停用词集,并利用分类概率确定单词的最佳替换词。为获得更好的替换顺序,充分考虑原始词与最佳替换词的影响,由单词重要性联合分类概率共同决定单词的替换顺序。在该项实验中使用卷积神经网络模型、长短时记忆网络模型和双向长短时记忆网络模型对三个流行的文本分类任务进行对比实验。结果表明,本文算法生成的对抗样本具有较低的分类准确率和扰动率,且在一些模型上表现出较好的迁移性能。(2)在对抗样本防御方面,针对现有的对抗训练算法大都存在着防御攻击种类有限的问题,本文提出基于多种对抗样本混合的对抗训练算法以改善上述存在的问题。该算法通过将原始模型在多种对抗样本和干净样本混合的重训练集上进行训练,学习不同样本的特征,以使获得的强化模型对多种对抗样本具有免疫性,从而达到防御多种攻击的目的。实验结果表明,该算法训练出的强化模型成功提升了不同种类对抗样本的分类修正率和模型的防御上升率,验证了该算法可有效防御多种攻击,且防御性能优于其他基线算法。图[19]表[11]参考文献[69]

关键词：深度学习自然语言处理文本对抗样本对抗训练文本分类单词级

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于深度神经网络的对抗样本防御研究

基于深度神经网络的对抗样本防御研究

作者：夏文志安徽理工大学

学位级别：硕士

深度学习因其广泛的应用前景而受到众多研究人员的青睐。然而对抗样本的存在使深度神经网络的安全受到威胁。对抗样本是指将微小的不易察觉的扰动添加到原始数据中以生成输入样本,该样本将使深度神经网络产生错误分类。根据研究显示,很... 详细信息

深度学习因其广泛的应用前景而受到众多研究人员的青睐。然而对抗样本的存在使深度神经网络的安全受到威胁。对抗样本是指将微小的不易察觉的扰动添加到原始数据中以生成输入样本,该样本将使深度神经网络产生错误分类。根据研究显示,很多应用到深度神经网络的场景都会遭受到对抗样本的攻击,例如无人驾驶、头像识别、恶意流量检测等。而这些攻击产生的结果往往是毁灭性的。因此,如何抵抗对抗样本以保护深度神经网络的安全是一个值得研究的问题。近年来,国内外的相关研究人员在抵御对抗样本的攻击上提出了很多防御方法。大概分为两类:一类是面向数据层面的,即对输入样本进行检测、修改、降噪处理等;另一类是面向模型层面的,即通过强化模型结构使攻击者很难生成对抗样本或使模型受到对抗攻击时依然能输出正确结果。本文针对这两个方面,进行了研究。主要研究内容与创新点如下:1.基于高斯判别模型和去噪自编码器的对抗样本防御算法:针对深度神经网络难以有效抵抗对抗攻击的问题,提出基于高斯判别模型和去噪自编码器的对抗样本防御算法。该算法框架包含两个模块,检测模块负责识别对抗样本和正常样本,转化模块将对抗样本转化为正常样本。通过实验证明,该防御框架的方法具有很好的对抗样本防御效果。另外,该防御框架训练简单,易于使用,一定程度能够减少对抗样本对深度学习应用造成的威胁。2.基于生成对抗网络的对抗防御算法:针对攻击者不断迭代强化的对抗攻击,提出基于生成对抗网络的防御算法。利用生成对抗网络不断地生成新的对抗样本来反复训练模型,以增强其的鲁棒性。具体过程为将预先训练的卷积神经网络和外部GAN(这里指conditional GAN:Pix2Pix)相结合,来自动流水线式地推断对抗样本和干净样本之间的转换关系,并合成新的对抗样本。根据分辨得到的反馈结果来不断调节生成对抗网络中的生成器和判别器,以增强其的性能,而新合成的对抗样本被用来加强迭代管道中的防御模型。实验证明,本文提出的基于生成对抗网络的对抗样本防御算法具有可行性。图[27]表[8]参考文献[61]

关键词：深度学习对抗样本高斯判别模型去噪自编码器生成对抗网络卷积神经网络

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

深度学习模型对抗训练的研究

深度学习模型对抗训练的研究

作者：见玉昆安徽理工大学

学位级别：硕士

近年来,深度神经网络的研究及应用取得了长足的发展。然而,对抗样本始终威胁着神经网络模型的安全。对于对抗样本的存在原理及其防御并没有得到令人满意的结果。随着深度神经网络模型的攻防博弈逐年深入,经过多种方式检验后,获得对抗鲁... 详细信息

近年来,深度神经网络的研究及应用取得了长足的发展。然而,对抗样本始终威胁着神经网络模型的安全。对于对抗样本的存在原理及其防御并没有得到令人满意的结果。随着深度神经网络模型的攻防博弈逐年深入,经过多种方式检验后,获得对抗鲁棒模型的主流方式是对抗训练。通过融合多种信息增强对抗训练的效果是热门的研究方向,因此,本文围绕着深度神经网络鲁棒模型的对抗训练过程展开工作。具体内容分为两方面,一方面是通过改进对抗训练的过程,达到提高神经网络模型的对抗鲁棒性的目的;另一方面是结合对抗鲁棒模型的压缩和对抗训练的加速,达到降低对抗鲁棒性神经网络模型的时空复杂度的目的。在神经网络模型的对抗鲁棒性方面的工作,主要是提高模型的白盒攻击鲁棒性。本文基于神经网络模型在高维空间存在决策边界的假设,该假设认为增加决策边界的距离可以提高对抗鲁棒性。因此,本文结合输出层特征正交化和隐空间特征正交化作为优化目标,以达到增加神经网络分类模型在高维空间决策边界的距离。输出层使用最大马氏距离作为特征正交化的优化目标。隐藏层特征使用最近类均值聚类优化,减小隐藏层特征在隐空间的决策面的相交面积。实验结果表明,本文提出的方法在主流的对抗鲁棒性测试中表现良好,在更强的对抗鲁棒性测试中具有更加平缓的精度曲线。在神经网络的对抗鲁棒模型压缩方面,主要的工作是提高对抗鲁棒模型压缩的速度。为了使压缩后的模型具有对抗鲁棒性,需要在压缩的过程中使用对抗训练,由于主流的对抗鲁棒模型是采用投影梯度下降攻击(PGD)作为训练方案,这会带来较高的时间成本。为了缓解这一问题,本文结合梯度复用的对抗训练加速和对抗鲁棒模型压缩,达到加速对抗鲁棒模型的压缩过程。本文将基于快速梯度符号(FGSM)的训练方式用于模型压缩过程。实验结果表明,本文提出的方法在模型精度和对抗鲁棒精度损失可控的前提下(小于5%),可以达到70%的加果;并且在50%加速的时候,模型的精度和对抗鲁棒精度损失可以忽略。在最后探究了影响压缩模型鲁棒性的因素,发现在模型容量过小和对抗训练强度较弱这两种情况下,模型难以兼顾鲁棒性和压缩率。图[14]表[9]参[82]

关键词：对抗样本对抗鲁棒性对抗训练模型压缩深度学习

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

树突细胞算法数据预处理技术研究

树突细胞算法数据预处理技术研究

作者：党华筝安徽理工大学

学位级别：硕士

目前,随着网络攻击越来越猛烈,网络安全技术得到了人们广泛关注。入侵检测是一种提供主动防御攻击的技术,得到越来越多的关注。特别是近几年人工免疫系统的研究,应用到计算机领域,给入侵检测系统的研究带来了新的启发。但是传统的人工... 详细信息

目前,随着网络攻击越来越猛烈,网络安全技术得到了人们广泛关注。入侵检测是一种提供主动防御攻击的技术,得到越来越多的关注。特别是近几年人工免疫系统的研究,应用到计算机领域,给入侵检测系统的研究带来了新的启发。但是传统的人工免疫系统大多建立在“自我和非我”的基础上,存在着自体集过大、难以区分自我和非我的缺陷,随着危险理论的提出很好的弥补了这个缺陷。而建立在危险理论基础上的树突细胞算法(Dendritic Cell Algorithm DCA)由于不需要大量训练样本、简单方便、容易实现等优点,在入侵检测技术的研究领域得到了专家的青睐。它独特的生物特性,如自适应性、鲁棒性、耐受性等,正是入侵检测系统所需要的,所以把树突细胞算法应用到入侵检测系统中可以更好的保护计算机安全。由于来自网络的数据具有高维、复杂、大量冗余、属性缺失、不完整等特征。而一般成熟的算法对输入数据都有一定的要求,比如输入数据干净、完整、维度低等,所以需要对数据进行预处理,然而目前基于树突细胞算法的入侵检测系统对数据的预处理大都采用较为简单的处理技术,不仅费时费力,而且往往难以实现。因此实现树突细胞算法的数据自动预处理就显得特别重要,针对这个情况,本文主要做了如下工作：1.采用主成分分析法与树突细胞算法相结合的思想,来实现输入数据的自动预处理。其中涉及到用维数约简的方法对高维数据进行降维处理;用主成分分析法提取特征值,实现信号的自动选择和分类。2.研究了主成分分析法的数学推导和算法,并对树突细胞算法的生物学机理、工作原理及其算法做了深入研究,并设定了输入输出信号的权值转换、参数设置等问题。3.利用KDD CUP99的部分属性子集作为实验用数据集,通过与信息增益法和相关系数法提取的特征属性计算出的入侵检测系统的检测率和误报率的比较得出结论,即将主成分分析法应用到树突细胞算法中实现数据的自动预处理使入侵检测系统有高的检测率和低的误报率。

关键词：树突细胞算法入侵检测系统数据预处理主成分分析法

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

医院多功能自助系统研究与实现

医院多功能自助系统研究与实现

作者：王艺伟安徽理工大学

学位级别：硕士

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

图像对抗样本的可感知性和抗压缩性研究

图像对抗样本的可感知性和抗压缩性研究

作者：刘子豪安徽理工大学

学位级别：硕士

近年来随着计算资源和深度学习方向的研究不断取得突破,深度神经网络模型逐渐应用于各领域之中,在现实中占据重要的地位。但是对于深度学习的安全性的研究表明,对抗样本对神经网络的安全构成了严重的威胁。随着对抗攻击算法的改进,在特... 详细信息

近年来随着计算资源和深度学习方向的研究不断取得突破,深度神经网络模型逐渐应用于各领域之中,在现实中占据重要的地位。但是对于深度学习的安全性的研究表明,对抗样本对神经网络的安全构成了严重的威胁。随着对抗攻击算法的改进,在特定的虚拟数据集上已经达到了显著的攻击效果,研究者们开始将注意力转移至其在现实世界的应用。综上,本文主要围绕提升对抗样本在现实世界的应用能力进行了探索和研究。具体研究内容分为两部分,一方面提出了基于图片边缘的语义对抗攻击算法,提升了对鲁棒模型的攻击效果并使扰动更不易感知,增强了添加扰动的可解释性;另一方面针对在社交平台传播的虚假视频,提出了抗视频压缩操作的虚假视频对抗算法,提升其现实场景下的潜在威胁性。在语义对抗样本方面,当前大多数攻击算法根据损失函数生成整体对抗扰动,很少考虑扰动的语义性以及在不同区域上感知的差异。另一方面缩小扰动的区域有利于降低在现实世界应用的人工成本以及难度。针对以上问题,本文从边缘属于鲁棒特征的假设出发,使用边缘提取的HED算法获取图片的边缘,引入图像随机旋转数据增强策略后计算得到全局对抗攻击的扰动后,使用边缘掩码与之结合对其约束,使添加的扰动在图片的边缘区域,实现不易感知的效果。实验结果表明,本文提出的攻击算法可以在减少50%扰动的基础上,仍然可以提升对鲁棒模型的攻击成功率,与多种全局对抗攻击结合具有普适性,并且验证图片的边缘可作为一种鲁棒特征。在虚假视频对抗样本方面,虽然当前针对虚假视频检测网络生成的对抗样本在本地可以逃避模型的检测,但在现实场景下,网络社交平台中传播的视频必须经过平台设定的预处理和压缩,这些操作会使原本添加的微小扰动失效,由此可以看出当前研究在现实场景下的缺陷。针对上述问题,本文为了模拟社交平台上传的操作,将视频拆分成帧后分别使用U-Net网络模拟图片的预处理操作添加的噪声并将其添加在原始图片上,随后使用可微分JPEG模块按照95质量系数对图片进行压缩,最后将其与对抗攻击算法结合,通过反向传播计算出对抗扰动添加在人脸区域,生成具有抗压缩性的虚假视频对抗样本。实验结果表明,本文生成的虚假视频对抗样本可以抵御视频压缩操作,同时并不会增加添加扰动的幅度。图[26]表[21]参[87]

关键词：深度学习对抗样本边缘提取深度伪造

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于免疫原理的入侵检测系统的研究

基于免疫原理的入侵检测系统的研究

作者：慕学海安徽理工大学

学位级别：硕士

随着计算机网络被应用到社会的各个领域,人们对其的依赖程度不断地提高。攻击者的知识不断增加和多样自动化工具的日趋成熟使网络安全问题日益突出。传统的安全技术（身份认证技术、授权与访问控制、防火墙技术等）由于缺乏对层出不穷... 详细信息

随着计算机网络被应用到社会的各个领域,人们对其的依赖程度不断地提高。攻击者的知识不断增加和多样自动化工具的日趋成熟使网络安全问题日益突出。传统的安全技术（身份认证技术、授权与访问控制、防火墙技术等）由于缺乏对层出不穷的攻击行为的主动性,已无法保证网络的安全。入侵检测系统应运而生,它通过分析从计算机网络中收集的若干关键点的信息,从中发现是否有被攻击的迹象存在于网络中,从而作出实时的安全响应。虽然入侵检测系统弥补了传统的安全技术的不足,但是也面临着各种各样的挑战。区分正常和有害行为的异常就是其面临的一个重要的挑战。生物免疫系统的主要功能是识别体内细胞,将其归类为“自我”和“非自我”,并引发适当的防卫机制去除“非自我”。受生物免疫系统的启示,人工免疫系统随之产生。由于人们对生物免疫机制的认识还不深,理论还不丰富,因此人工免疫系统的研究中仍存在着许多挑战,主要包括：①缺乏创造性思维,人工免疫系统的研究举步维艰;②理论基础研究匮乏;③应多与生物免疫学者、数学家交流,为免疫算法建立有用的数学模型。鉴于以上原因,本论文主要对以下几个方面做了研究： 1.对生物免疫学当前的成果和进展进行了研究,包括免疫系统的组成和原理以及最新的理论免疫模型和学说。 2.对人工免疫系统的一般框架和体系结构以及基于自适应免疫系统的主要算法进行了研究,并针对负选择算法的不足对其进行了改进。 3.深入分析了免疫原理,提出了一个基于免疫原理入侵检测系统模型并在模型的检测器生成模块中通过仿真实验证明了本文设计的模型的有效性。图27表6参50

关键词：入侵检测系统负选择算法人工免疫系统

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于贝叶斯网络的差分隐私保护数据发布

基于贝叶斯网络的差分隐私保护数据发布

作者：董银霜安徽理工大学

学位级别：硕士

随着移动互联技术及应用的深入和发展,许多公司、组织(如搜索引擎公司、电子商务企业或Internet服务提供商)提供便捷服务的同时也会收集海量的用户行为数据用于发布、统计、分析和挖掘等,然而,用户敏感的信息往往就存在于这些数据中。因... 详细信息

随着移动互联技术及应用的深入和发展,许多公司、组织(如搜索引擎公司、电子商务企业或Internet服务提供商)提供便捷服务的同时也会收集海量的用户行为数据用于发布、统计、分析和挖掘等,然而,用户敏感的信息往往就存在于这些数据中。因此,在对这些数据进行发布、统计前需要对其进行隐私保护处理,以防用户隐私数据的泄露。差分隐私模型是现今使用最广泛的受隐私保护的数据发布技术,该模型以其出色的性能应用于许多隐私保护场合,主要通过向原始数据中添加噪声来实现隐私保护。然而,面对高维数据时,现存的隐私保护算法通常注入过大的噪声,使得发布的数据过度失真而具有较差的的准确性和可用性,因此,在满足差分隐私约束的基础上,如何提高发布数据的有效性和实用性是一个主要的难点。由此,本文所要研究的内容是基于差分隐私保护下的高维数据集的发布问题,研究目标为在满足差分隐私保护的前提下实现高维数据集数据发布的有效性和可用性(utility)。论文的主要贡献包括以下两个方面:(1)研究贝叶斯网络结构,针对现存贝叶斯网络模型的不足之处,提出一种基于互信息和K2评分函数相结合的带权贝叶斯网络模型。该模型通过对首属性的选择以及k值的确定,使得构造的贝叶斯网络中节点的低维边缘分布与高维数据集中属性的全分布高度拟合,提高分类准确性。(2)在贝叶斯网络模型既定的情况下,向数据集中添加噪音使其满足差分隐私保护。添加噪声时考虑属性字段的次序,并采取异方差加噪方式,使得数据集拥有一定的隐私性的同时,具有较高的可用性。(3)通过实验对生成的加噪数据集的可用性、安全性以及算法性能进行了佐证,和其他现存的一些相关类似算法进行比较,证明了本文提出的算法更优。图[13]表[7]参[55]

关键词：高维数据差分隐私隐私保护数据发布贝叶斯网络异方差加噪