May, 2023

使用深度学习进行暗网活动分类

PDF
TL;DR本文介绍了如何利用深度学习技术，提出了一种可用于控制黑暗网络非法活动的搜索引擎，该系统能够检测和提取与黑暗网络中违法活动有关的图像。作者创建了一个名为 darkoob 的全面数据集，并在测试数据集上实现了 94% 的准确性，这项技术有望缓解非法活动带来的各种社会、经济和政治挑战，是联网和社区安全领域的重要技术进步。
dark webillicit activitiesdeep learningsearch engineinternet security
发现论文，激发创造
  • 深网和暗网上的活动特征化

    本文研究了 80 个 d2web 论坛上发布的信息，并使用 LDA 识别了讨论主题，使用非参数 HMM 模型跨论坛模拟了主题演变，并检查了动态模式，以识别类似模式的论坛，揭示了这个丰富多样的数据中隐藏的相似性和异常事件。

    Mar, 2019

  • 可见暗网的结构与内容

    本文分析了可通过 Tor 访问到的一组网站即 “暗网” 中的拓扑结构和内容。作者使用监督式机器学习的方法对内容进行分类，研究发现显示的暗网内容中大约有一半属于合法活动，而不合法内容主要分布在欺诈网站、销售假冒产品和毒品市场上。

    Nov, 2018

  • 暗网上合法和非法活动的语言

    本研究通过将毒品相关网站作为测试案例，比较在深网和表面网络中合法和非法毒品销售文本的语言特征，发现它们在部分词性标注的分配和维基百科中命名实体的文本覆盖率方面存在明显差异。

    May, 2019

  • Tor 暗网中可疑内容的分类

    本文探讨了利用语义关注关键点过滤自动分类暗网图像的方法，并在定制的 Tor 图像数据集上使用该方法测试，与 CNN 特征和 BoVW 方法相比，达到了高达 87.98% 的准确率，是一种较为有效的方式。

    May, 2020

  • 深入探索暗网语言

    本研究介绍了一个名为 CoDA 的数据集，该数据集包含了一万个文档，旨在帮助进行基于文本的暗网研究。通过利用 CoDA 数据集，本研究对暗网进行了全面的语言分析，比较了暗网与表层网络之间的差异，并评估了不同方法的暗网文本分类性能。最后，本研究还将 CoDA 与现有数据集进行比较，以评估它们在各种应用场景中的适应性。

    Apr, 2022

  • VeriDark: 暗网上的作者验证大规模基准

    本研究旨在构建一个针对网络犯罪的基准测试集 VeriDark，并对三个大规模数据集和一个用户行为数据集进行竞争性 NLP 基线评估及预测分析，以解决现有基于文学文本的作者识别方法无法适用于网络犯罪，且当前缺乏合适数据集和实验设计的问题。

    Jul, 2022

  • 通过深度学习学习 URL 表达以进行恶意 URL 检测的 URLNet

    本文介绍 URLNet，一种基于端到端深度学习的框架，可直接从 URL 中学习非线性嵌入以对恶意 URL 进行检测。通过应用卷积神经网络来学习 URL 字符和单词的嵌入，该方法允许模型捕捉不同类型的语义信息，并通过高级词嵌入来解决任务中出现的罕见词问题。在大规模数据集上进行的实验表明，该方法优于现有方法，可显著提高模型性能。

    Feb, 2018

  • 电子商务平台中的欺骗性黑模式检测

    通过利用 web 抓取技术与细调的 BERT 语言模型和生成能力相结合，检测并解释欺骗性用户界面中的暗模式，提升公众意识和保护消费者。

    May, 2024

  • 深度学习方法检测深度伪造内容综述

    本文通过深度学习方法，系统地回顾了近年来深度伪造内容识别的研究，并报告了对于未解决的深伪造检测问题和不足之处的未来方向。

    Feb, 2022

  • 用于加密流量分类和未知数据检测的深度学习

    该论文提出了一种新的基于深度神经网络（DNN）的用户活动检测框架，用于从嗅探的加密互联网流量中识别移动应用程序中执行的细粒度用户活动（称为应用内活动）。 该框架使用基于时间窗口的方法将活动的流量分成片段，因此只需观察与活动相关的流量的一小部分就可以识别应用内活动。此框架的准确性为 90％或以上，用于识别已经训练好的应用内活动，并在识别以前未经训练的应用内活动流量（即未知数据）时具有平均准确性 79％。

    Mar, 2022