检索结果-南通市图书馆

基于模型学习的OpenVPN系统脆弱性分析

在线全文

学校读者我要写书评

暂无评论

软件学报 2019年第12期30卷 3750-3764页

作者：申莹珠顾纯祥陈熹张协力卢政宇信息工程大学网络空间安全学院河南郑州450001 河南省网络密码技术重点实验室河南郑州450001

OpenVPN在现实网络中有广泛应用,对其安全性进行评估具有重要的现实意义.基于自动机理论中模型学习的方法,利用协议状态模糊测试的技术对OpenVPN系统进行黑盒测试分析,自动化推演出目标OpenVPN系统的状态机.提出了状态机时间压缩模型并... 详细信息

OpenVPN在现实网络中有广泛应用,对其安全性进行评估具有重要的现实意义.基于自动机理论中模型学习的方法,利用协议状态模糊测试的技术对OpenVPN系统进行黑盒测试分析,自动化推演出目标OpenVPN系统的状态机.提出了状态机时间压缩模型并进行冗余状态和迁移化简,可以准确得到协议状态机中的行为特征.发现了多条期望行为路径外的特别行为路径及可能的安全隐患,为OpenVPN的安全性评估提供了新的思路与方法,同时对类似缺少协议规范但应用广泛的安全协议的内部设计细节分析具有重要参考意义.

关键词： OpenVPN 模型学习状态模糊测试脆弱性分析时间压缩模型

神经网络中将任务学习与模型学习相结合的E-H和E-H-W学习方法

在线全文

学校读者我要写书评

暂无评论

电子学报 2004年第2期32卷 278-281页

作者：武妍张立明同济大学计算机科学与工程系上海200331 复旦大学电子工程系上海200433

本文从获取好的神经网络泛化能力出发 ,首先提出了将Hebbian学习与增加问题复杂性统一起来的思想 ,并通过在总的误差函数中增加一限制函数来实现Hebbian学习 .基于此 ,提出了一种将误差驱动的任务学习与Hebbian规则的模型学习相结合的E ... 详细信息

本文从获取好的神经网络泛化能力出发 ,首先提出了将Hebbian学习与增加问题复杂性统一起来的思想 ,并通过在总的误差函数中增加一限制函数来实现Hebbian学习 .基于此 ,提出了一种将误差驱动的任务学习与Hebbian规则的模型学习相结合的E H方法 .然后 ,根据模型学习应同时考虑减小网络复杂性和增加问题复杂性的思想 ,又提出了一种将误差驱动的学习与Hebbian规则、简单的权退化法结合起来 ,共同来提高神经网络的泛化能力的E H W方法 .最后通过大量实例仿真将它们与纯误差驱动的方法、权退化法、其它文献中的相关方法进行了比较 .结果表明我们的方法具有最好的泛化能力 ,是很有效的神经网络学习方法 .

关键词：神经网络模型学习任务学习泛化能力 Hebbian学习

模型学习与符号执行结合的安全协议代码分析技术

在线全文

学校读者我要写书评

暂无评论

网络与信息安全学报 2021年第5期7卷 93-104页

作者：张协力祝跃飞顾纯祥陈熹数学工程与先进计算国家重点实验室河南郑州450001 网络密码技术河南省重点实验室河南郑州450002

符号执行技术从理论上可以全面分析程序执行空间,但对安全协议这样的大型程序,路径空间爆炸和约束求解困难的局限性导致其在实践上不可行。结合安全协议程序自身特点,提出用模型学习得到的协议状态机信息指导安全协议代码符号执行思路;... 详细信息

符号执行技术从理论上可以全面分析程序执行空间,但对安全协议这样的大型程序,路径空间爆炸和约束求解困难的局限性导致其在实践上不可行。结合安全协议程序自身特点,提出用模型学习得到的协议状态机信息指导安全协议代码符号执行思路;同时,通过将协议代码中的密码学逻辑与协议交互逻辑相分离,避免了因密码逻辑的复杂性导致路径约束无法求解的问题。在SSH协议开源项目Dropbear上的成功实践表明了所提方法的可行性;通过与Dropbear自带的模糊测试套件对比,验证了所提方法在代码覆盖率与错误点发现上均具有一定优势。

关键词：模型学习符号执行安全协议代码状态驱动

基于Tile Coding编码和模型学习的Actor-Critic算法

在线全文

学校读者我要写书评

暂无评论

计算机科学 2014年第6期41卷 239-242,249页

作者：金玉净朱文文伏玉琛刘全苏州大学计算机科学与技术学院苏州215006

Actor-Critic是一类具有较好性能及收敛保证的强化学习方法,然而,Agent在学习和改进策略的过程中并没有对环境的动态性进行学习,导致Actor-Critic方法的性能受到一定限制。此外,Actor-Critic方法中需要近似地表示策略以及值函数,其中状... 详细信息

Actor-Critic是一类具有较好性能及收敛保证的强化学习方法,然而,Agent在学习和改进策略的过程中并没有对环境的动态性进行学习,导致Actor-Critic方法的性能受到一定限制。此外,Actor-Critic方法中需要近似地表示策略以及值函数,其中状态和动作的编码方法以及参数对Actor-Critic方法有重要的影响。Tile Coding编码具有简单易用、计算时间复杂度较低等优点,因此,将Tile Coding编码与基于模型的Actor-Critic方法结合,并将所得算法应用于强化学习仿真实验。实验结果表明,所得算法具有较好的性能。

关键词：强化学习 Tile Coding Actor-Critic 模型学习函数逼近

基于智能代理的实时比较购物系统的网上商场模型学习

在线全文

学校读者我要写书评

暂无评论

计算机工程 2002年第8期28卷 258-260页

作者：周美明高艳芳杜莉复旦大学计算机信息与技术系上海200433

就比较购物这一特殊领域讨论了基于智能信息代理技术的网上商场模型学习的过程,利用文档对象模型解析文档,构建网上商Web场模型,从文档的重复结构单元中自动抽取商品信息,提高了商品的查询和分析效率,使得信息服务更加智能化、个性化。

关键词：智能代理实时比较购物系统模型学习网上商场 Internet

在线全文

学校读者我要写书评

暂无评论

基于模糊神经网络的机场噪声烦恼度模型学习

计算机工程与设计 2015年第12期36卷 3396-3401页

作者：冯霞张聪颖卢敏中国民航大学计算机科学与技术学院天津300300 中国民航信息技术科研基地天津300300

鉴于机场噪声烦恼度模型的模糊规则量较大,采用传统的基于梯度的模糊神经学习算法存在计算量大、收敛速度慢、学习效率低的问题,提出一种基于模糊神经网络的机场噪声烦恼度模型混合学习方法。基于聚类思想,重新对模糊集合进行分组,采用... 详细信息

鉴于机场噪声烦恼度模型的模糊规则量较大,采用传统的基于梯度的模糊神经学习算法存在计算量大、收敛速度慢、学习效率低的问题,提出一种基于模糊神经网络的机场噪声烦恼度模型混合学习方法。基于聚类思想,重新对模糊集合进行分组,采用先粗学习后细学习的间接学习方法;改进传统的基于梯度的模糊神经学习算法,将该算法应用到间接学习过程中,即混合学习方法。实验结果表明,该混合学习方法可以快速收敛,缩短学习时间,减少误差求解过程中的计算量,提高模型的学习效率。

关键词：机场噪声烦恼度模型模型学习模糊神经网络改进的学习算法混合学习方法

在线全文

学校读者我要写书评

暂无评论

面向强化学习的模型学习算法研究

面向强化学习的模型学习算法研究

作者：周谊成苏州大学

学位级别：硕士

强化学习(Reinforcement Learning,RL)是机器学习方法的重要组成部分。它通过Agent不断地与环境进行交互,学习从环境状态到行为动作的映射,最终目标是最大化从环境获得的累计奖赏。随着强化学习的数学基础研究取得突破性进展后,强化学... 详细信息

强化学习(Reinforcement Learning,RL)是机器学习方法的重要组成部分。它通过Agent不断地与环境进行交互,学习从环境状态到行为动作的映射,最终目标是最大化从环境获得的累计奖赏。随着强化学习的数学基础研究取得突破性进展后,强化学习成为目前机器学习领域的研究热点之一。本文针对强化学习算法中存在的收敛速度慢,收敛精度低的问题,围绕模型学习方法,提出了几种提高收敛速度和精度的强化学习算法。主要研究包括以下三部分内容:(1)针对Dyna-2算法中将已经学习到的模型视为一个黑盒对待,没有充分利用模型的问题,在Dyna-2的基础上,提出轨迹采样值迭代的方法来实现模型学习中的规划过程。与从模型中采样的方式相比,这种方法直接利用模型中的参数,将模型视为一个白盒,提高了模型的利用率,从而可以在不失计算速度的情况下,提高规划结果的精度,最终提高值函数的精度。(2)针对模型学习方法中存在的探索效率不高的问题,提出R-MAX和自模拟度量相结合的方法来实现模型学习中的探索过程。将整个探索过程置于R-MAX的算法框架中,既保证探索的广度,又不过多地重复探索某个状态导致计算资源的浪费。自模拟度量在距离的度量上比传统采用欧式距离的方式更为准确,因此能保证探索效率的提升,同时应用轨迹采样值迭代的规划方法,在两个方面都能有效地提高值函数的收敛效率。(3)针对现有模型学习方法在解决连续状态空间问题上的不足,通过近似模型来表示状态转移函数和奖赏函数。由于近似模型初期不完整,不能提供有效样本,因此提出一种自适应的规划强度的方法,减少初期生成的错误样本,提高样本的准确性。同时,加入一系列的优化样本的方法,提高收敛速率。

关键词：强化学习模型学习 Dyna结构连续状态空间

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于模型学习的协议逆向关键技术研究

基于模型学习的协议逆向关键技术研究

作者：莫洋电子科技大学

学位级别：硕士

近年来,应用程序的广泛使用为人类生活带来了诸多便利,但同时也给了传播恶意软件的网络攻击者们可乘之机。恶意软件能够窃取个人敏感信息、导致系统瘫痪和被用于大规模网络攻击,对个人、企业甚至国家的网络安全都造成了威胁,因此研究和... 详细信息

近年来,应用程序的广泛使用为人类生活带来了诸多便利,但同时也给了传播恶意软件的网络攻击者们可乘之机。恶意软件能够窃取个人敏感信息、导致系统瘫痪和被用于大规模网络攻击,对个人、企业甚至国家的网络安全都造成了威胁,因此研究和防御恶意软件已经成为网络安全领域的首要任务之一。根据现有的研究成果,恶意软件往往选择使用私有协议进行通信和传输数据。由于缺乏私有协议的规范文档,获取其语义信息和行为模型变得困难,这给研究私有协议和防御恶意软件的工作带来了巨大挑战。为了解决当前网络环境下私有协议研究方法匮乏、恶意软件检测困难的问题,本文基于已有的研究基础及成果,深入研究了黑盒系统的模型学习技术、二进制程序的符号执行技术和复杂序列对比技术,提出了基于模型学习的协议逆向框架（Protocol Reverse Engineering Based on Model Learning,Pro Learn）和基于序列比对的状态机对比方法。具体而言,本文的研究工作包括以下两个部分:1.在框架设计层面,针对现实场景中黑盒系统抽象困难、先验知识匮乏和现有方法逆向分析能力不足等问题,本文提出了基于模型学习的协议逆向框架Pro Learn。框架分为基于符号执行的“Teacher”实现方法和基于L算法的协议逆向方法两部分:基于符号执行的Teacher实现方法完成了黑盒系统抽象与协议字母表信息揭示,保证了框架的稳定性和合理性;L算法在不访问协议通信实体和网络流量的前提下,实现了对未知二进制程序的协议逆向工程,完成了二进制程序通信协议的关键字识别和状态机推断,保证了协议逆向结果的准确性和完备性;2.在实验设计层面,针对目前状态机对比方法匮乏,且状态机推断结果的评价指标单一、不够精确等问题,本文提出了基于序列比对的多类型状态机对比方法,该方法实现了不同类型状态机之间的对比方案,并且设计了一个更精确的指标以评估状态机之间的相似性,保证了实验分析的准确性。基于上述研究工作,本文开展了对比实验分析,实验结果表明Pro Learn框架的协议逆向性能均优于现有方法。在协议关键字识别方面,准确率达到90%以上;在协议状态机推断方面,Pro Learn推断出的状态机状态数目指标更加贴近标准模型,并且样本接受率指标达到90%以上;Pro Learn推断结果与协议标准模型对比,对于简单文本协议相似度达到90%以上,复杂二进制协议相似度达到80%以上。

关键词：协议逆向工程模型学习符号执行序列比对

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

面向多无人平台的Dyna模型学习算法研究

面向多无人平台的Dyna模型学习算法研究

作者：魏占阳国防科技大学

学位级别：硕士

多无人机协同侦察监视在情报侦察、战场监视等领域有着广泛的应用,如何将多无人机部署于复杂环境中执行侦察监视任务,是一个影响多无人机应用的重要问题。侦察监视环境往往具有高度的动态性、不确定性和对抗性,因此,建模并设计算法实现... 详细信息

多无人机协同侦察监视在情报侦察、战场监视等领域有着广泛的应用,如何将多无人机部署于复杂环境中执行侦察监视任务,是一个影响多无人机应用的重要问题。侦察监视环境往往具有高度的动态性、不确定性和对抗性,因此,建模并设计算法实现多无人机在这种复杂环境中执行连续侦察监视任务是一个具有挑战性的课题。基于此,本文主要研究了以下内容:建立了多无人机协同侦察监视问题的模型。多无人机协同侦察监视问题具有高度的动态性、不确定性和对抗性,侦察监视目的是在规定时间内获得最大的情报信息值并尽量减少与环境中可能存在的威胁进行对抗。之前的大部分研究是将侦察监视问题建模成多目标优化问题,需进行预先规划,但这种方式面临动态不确定的侦察监视环境时,难以适用。因此本文将多无人机协同侦察监视问题抽象为多Agent信息收集问题,并将此问题建模成为部分可观马尔科夫决策问题（Particularly-Observable Markov Decision Process,POMDP）,这种模型充分考虑了环境信息的动态性、不确定性和对抗性,更加接近于真实情况。设计了多无人机协同侦察监视问题的求解算法。考虑到侦察监视任务中时间的紧迫性和环境的对抗性,所设计的算法应该在较快时间内完成侦察监视任务并尽量减少与外部环境交互的次数以减少对抗。而强化学习中的模型学习算法正好符合这一特性。因此论文采用模型学习算法对所建模成的POMDP问题进行求解。针对传统Dyna-Q模型学习算法在解决多无人机协同侦察监视中存在的问题,论文分别设计算法对其进行了改进:（1）针对收敛速度慢的问题,论文在学习过程中加入专家知识。据此,论文分别设计了基于优先级扫描的Dyna算法和基于随机占优启发式搜索的Dyna-算法。（2）针对状态空间数目过多的问题,论文采用树结构而不是传统的表格法存储状态动作信息,设计了一种基于树结构改进的Dyna-Q算法,这种方法不仅能够减少存储空间数量,还能够更加有效快速地构建环境模型信息用于规划过程,从而大幅度加快算法的收敛速度。（3）针对多Agent间不存在协作的问题,论文以树结构模型为基础,引入多Agent知识共享技术,设计了基于多Agent知识共享的Dyna-Q算法。这种方法中,Agent会主动地将已知的环境信息分享给其他Agent,这样,多个Agent之间进行知识共享,很快就能构建出环境模型,进而加快算法的收敛速度。设计了多无人机协同侦察监视问题的仿真实验。对侦察监视问题进行求解,并验证所提出算法的有效性。仿真实验结果表明,所提出的算法相比于传统的Dyna-Q算法都有很大幅度的提升。论文以6000时间步内多无人机获得的累积回报值为标准,验证所设计算法的性能。回报值越大,则说明该算法的收敛速度越快。结果表明,基于优先级扫描的Dyna算法、基于随机占优启发式搜索的Dyna-算法、基于树结构的Dyna-Q算法和基于多Agent知识共享的Dyna-Q算法在6000时间步内获得的累积回报值分别是传统Dyna-Q算法的2.9倍、3.4倍、4.7倍、6.9倍。说明所设计的面向多无人机协同侦察监视的模型学习算法性能都有较大程度的提升,在规定时间内,多无人机能够获得更多的情报信息值。

关键词：多无人平台模型学习 Dyna结构优先级扫描树结构多智能体信息共享