摘要：基于深度学习的列车通信网络入侵检测需要充足的训练样本支撑,然而实际可获取的列车通信网络攻击样本非常少.本文将生成对抗网络(GAN)应用于攻击样本生成任务中,对GAN的采样策略、约束条件与损失函数进行改进,设计了基于卷积神经网络的生成器与判别器,提出一种基于改进GAN的攻击样本生成方法.基于此方法开展了样本生成实验与入侵检测实验.结果表明,该方法能够生成有效的攻击样本,改进模型的训练效果,模型的F1分数平均增加了4.23%.

摘要：对抗样本能够作为训练数据辅助提高模型的表达能力,还能够评估深度学习模型的稳健性.然而,通过在一个小的矩阵范数内扰乱原始数据点的生成方式,使得对抗样本的规模受限于原始数据.为了更高效地获得任意数量的对抗样本,探索一种不受原始数据限制的对抗样本生成方式具有重要意义.鉴于此,提出一种基于生成对抗网络的对抗样本生成模型(multiple attack generative adversarial networks, M-AttGAN).首先,将模型设计为同时训练2组生成对抗网络,分别对原始数据样本分布和模型潜在空间下的扰动分布进行建模;然后,训练完成的MAttGAN能够不受限制地高效生成带有扰动的对抗样本,为对抗训练和提高深度神经网络的稳健性提供更多可能性;最后,通过MNIST和CIFAT-10数据集上的多组实验,验证利用生成对抗网络对数据分布良好的学习能力进行对抗样本生成是可行的.实验结果表明,相较于常规攻击方法, M-AttGAN不仅能够脱离原始数据的限制生成高质量的对抗样本,而且样本具备良好的攻击性和攻击迁移能力.

摘要：通过恶意文档来传播恶意软件在现代互联网中是非常普遍的,这也是众多机构面临的最高风险之一。PDF文档是全世界应用最广泛的文档类型,因此由其引发的攻击数不胜数。使用机器学习方法对恶意文档进行检测是流行且有效的途径,在面对攻击者精心设计的样本时,机器学习分类器的鲁棒性有可能暴露一定的问题。在计算机视觉领域中,对抗性学习已经在许多场景下被证明是一种有效的提升分类器鲁棒性的方法。对于恶意文档检测而言,我们仍然缺少一种用于针对各种攻击场景生成对抗样本的综合性方法。在本文中,我们介绍了PDF文件格式的基础知识,以及有效的恶意PDF文档检测器和对抗样本生成技术。我们提出了一种恶意文档检测领域的对抗性学习模型来生成对抗样本,并使用生成的对抗样本研究了多检测器假设场景的检测效果(及逃避有效性)。该模型的关键操作为关联特征提取和特征修改,其中关联特征提取用于找到不同特征空间之间的关联,特征修改用于维持样本的稳定性。最后攻击算法利用基于动量迭代梯度的思想来提高生成对抗样本的成功率和效率。我们结合一些具有信服力的数据集,严格设置了实验环境和指标,之后进行了对抗样本攻击和鲁棒性提升测试。实验结果证明,该模型可以保持较高的对抗样本生成率和攻击成功率。此外,该模型可以应用于其他恶意软件检测器,并有助于检测器鲁棒性的优化。

摘要：为增加模糊测试工具对程序的感知能力,提高样本变异效率,有效提高代码覆盖率,在原有基于覆盖率反馈基础上,提出一种结合污点分析技术的混合模糊测试样本生成手段。利用污点分析感知程序中对魔数、哈希、类型数据字段的格式检验,辅助样本生成;采用共享生成样本的方式,与传统模糊测试工具相结合实现混合模糊测试;基于以上思路,实现混合模糊测试工具taint_fuzz,对现实使用的图像和音频解析程序(audiofile、exiv2、libav)进行测试,挖掘到多个漏洞,以此申请到5个CVE编号。测试结果表明,taint_fuzz能够有效减少对初始样本的依赖,提高代码覆盖率和漏洞触发数。

摘要：针对扩充建筑垃圾遥感图像样本集问题,本文基于Wasserstein对抗生成网络,在网络整体流程中加入结合自适应直方图均衡化与图像融合的对比度调整方法,并对网络内部模型生成器与判别器模型进行调整。经原始网络与改进网络生成图像试验后,使用CS-LBP算子与颜色直方图进行评估分析。试验证明,经过改进的WGAN网络生成图像有显著的纹理特征与颜色特征,均方根误差降低22.6%,更符合原始图像的特征分布,边界明显色块鲜明,符合现实世界遥感图像特点。可生成大量样本进行后续的基于大样本的建筑垃圾识别研究。

摘要：风机齿轮箱是风力涡轮传动系统中的关键部分,其故障发生随机、故障样本数量不足,严重影响故障诊断的准确性。针对此问题,提出一种基于循环卷积生成对抗网络的风机齿轮箱故障诊断方法。首先,构建基于循环卷积生成对抗网络的样本生成模型,利用卷积网络和循环网络作为生成器增强样本间的时间相关性;借助Wasserstein距离与梯度惩罚项改进目标函数,并通过博弈对抗机制优化生成器和判别器,提高模型的泛化能力。然后,结合真实样本和生成样本,设计基于堆叠去噪自编码器的故障诊断方法,实现齿轮箱的故障诊断。最后,利用风力涡轮传动系统数据集验证所提出的风机齿轮箱故障诊断方法的性能。结果显示,所提方法能够有效平衡故障样本数据集,进一步提高风机齿轮箱故障诊断的准确率。

摘要：目前以人工神经网络为代表的模式识别方法已被广泛应用到故障诊断领域,但这些方法通常需要大样本数据进行模型训练,而工程实际中通常存在数据不足的情况。因此需要合适的方法进行小样本情况下的故障诊断。深度卷积生成对抗网络能够实现样本生成。它不仅提高了对数据的学习能力,还对网络设定了一连串的限制,增加了网络的稳定性和收敛性。但其存在着训练不稳定和生成样本质量不高的问题。对深度卷积生成对抗网络进行了改进,提出了一种改进的深度卷积生成对抗网络(Improved-deep Convolutional Generative Adversarial Networks,简称IDCGAN)然后运用到滚动轴承故障诊断中。实验信号分析结果表明了该方法的有效性。

摘要：运载火箭测发网络是维系各型号运载火箭远距离测试及发射控制的重要国防基础设施,对测发网络流量进行异常检测是保证其正常工作的关键举措。近年来,随着测发网络功能的拓展,其面临的网络安全威胁越来越严重,而当前的安全检测主要依赖于基于异常特征库匹配的流量异常检测方法,这种检测方法对一些新型攻击检测能力非常有限。本文结合运载火箭测发网络实际特点,针对以使用用户数据报协议(UDP)为主的测发网络流量,设计一种新的基于固定数据包数目的流量图片样本生成方法,首次提出在测发网络流量异常检测问题上使用卷积神经网络,以原始网络流量作为输入,避开难以解决的人工特征集设计问题。通过测发网络真实网络流量数据进行实验,取得了较高的精度、召回率和准确率,验证了本方法具备一定的实用性。

摘要：深度学习方法在图像内容检测中取得良好效果并得到广泛应用。自然场景中Logo(标识)图案的检测具有很强的商业和社会需求,但获取其适用于深度学习方法的训练数据却并不容易。为解决上述问题,针对自然场景图片中包含Logo的检测和识别,本文提出一种生成对应训练数据集的合成方法。根据简单的输入和参数设置,该方法能够自动生成大量带有特定Logo并且符合自然场景特征的图片以及相应标注数据。这些生成数据可用于自然场景Logo检测识别的训练数据集,降低了深度学习网络模型的训练成本。使用本文方法合成的数据集训练的深度网络模型,可在FlickrLogos-32标准测试数据集上达到63.9%的平均准确率(mAP),接近使用大量真实人工标注数据的效果,体现了本文方法的有效性。