Feb, 2024

网络流量指纹识别的局部敏感哈希算法

PDF
TL;DR本研究提出了利用局部敏感哈希技术进行网络流量指纹识别的解决方案，并通过与基于机器学习的流量指纹识别方法的比较，得出了相对于现有方法准确率提高了 12% 的结论，达到了 94% 的网络设备识别准确率。
internet of thingscyber-attacksnetwork traffic fingerprintingmachine learninglocality-sensitive hashing
发现论文，激发创造
  • 通信流量特征揭示物联网设备身份

    使用基于监督机器学习的设备指纹模型，仅利用通信流量特征（或隐含标识符）来识别网络连接的物联网设备，达到了对 22 个智能家居物联网设备进行分类的 98% 准确率，从而提高网络安全性。

    Feb, 2024

  • LSH 能否被神经网络取代？

    利用深度神经网络 (LLSH) 代替传统的局部敏感哈希函数族，该方法能够高效灵活地将高维数据映射到低维空间，并在同时减少时间和内存消耗、保证查询准确性方面展示了可行性，为开发人员设计和配置数据组织提供了新思路，以提高信息搜索性能。通过在不同类型数据集上进行广泛实验，验证了该方法在查询准确性、时间消耗和内存使用方面的优越性。

    Oct, 2023

  • 基于私有设备局部敏感哈希的大规模分布式学习

    使用新的哈希函数族，开发第一个在设备上具有私密性、个性化和内存效率高的局部敏感哈希框架，实现了隐私和个性化，能够与其他 LSH 框架相竞争，训练大规模推荐网络。

    Jun, 2023

  • 物联网：数字足迹携带设备身份

    本文提出了一种基于设备指纹技术的模型，能够在网络设备中区分物联网设备和非物联网设备，并能针对每个设备进行唯一识别，通过使用随机森林分类器和不同数据集的实验证明，该方法能够在分辨物联网和非物联网设备方面达到 99.8% 以上的准确率，并在分类个体设备方面达到 97.6% 以上的准确率，可有效帮助运营商提高网络安全性和防止未经授权的访问。

    Jan, 2023

  • DeepLSH：深度局部敏感哈希学习用于快速高效的近似崩溃报告检测

    本文研究了如何利用局部敏感哈希（LSH）来解决软件开发过程中自动故障分组的问题，并介绍了 DeepLSH，一种 Siamese DNN 架构和原始损失函数，以逼近 Jaccard 和 Cosine 度量的局部敏感性特性，并通过一系列实验验证了这一方法。

    Oct, 2023

  • 设备无需接触指纹室内定位的少样本迁移学习

    本文提出了一种少样本学习系统以解决室内定位中数据收集和标记的负担，并使用图神经网络构建了转移学习框架，对于定位准确度的表现近似于使用卷积神经网络模型。

    Jan, 2022

  • 高效的分布式局部敏感哈希

    本文提出了基于熵局部敏感哈希的分布式分层哈希方案，能够显著减少网络流量，提高实际应用程序的运行效率。

    Oct, 2012

  • 具有理论保证的快速局部敏感哈希

    通过随机抽样和随机投影的组合，FastLSH 算法将 LSH 计算的时间复杂度从 O (n) 降低到 O (m)（其中 m < n），并具有可证明的 LSH 属性，是一种有希望替代经典 LSH 方案的方法。

    Sep, 2023

  • 密度敏感哈希

    提出了一种名为密度敏感哈希（DSH）算法，它是局部敏感哈希（LSH）的扩展，利用数据的几何结构避免了纯随机投影的限制，并在大规模高维数据搜索中取得更好的性能。

    May, 2012

  • 通过加密网络流量分析实现强大的智能手机应用识别

    本研究探讨了如何通过网络数据流量指纹识别智能手机应用程序，即使使用 SSL/TLS 进行加密传输也不能防范，此外研究还提出了策略来识别和减轻广告流量等通用流量的影响。通过实施一个框架来指纹识别应用程序，并对其性能进行全面实验，研究成功指纹识别了 110 个最受欢迎的谷歌应用商店应用程序，并能在 6 个月后以高达 96％ 的准确率进行再识别。

    Apr, 2017