本文介绍了机器学习技术在密码学和密码分析中的应用现状和未来研究方向。
Feb, 2019
该研究针对深度神经网络中的图像应用提出了一种加密技术,并尝试通过选择明文和密文攻击来测试其安全性。
Apr, 2020
ML 在安全性方面存在漏洞,提出威胁模型并对攻击进行分类,探究了模型准确性与抗敌对操作的关系。
Nov, 2016
本文提出基于机器学习的加密恶意流量检测技术的通用框架,并提供系统评估。通过分析、处理和合并来自 5 个不同来源的数据集,生成综合公平数据集以帮助未来研究,实现和比较 10 种加密恶意流量检测算法,并讨论挑战和未来研究方向。
Mar, 2022
介绍了一种可学习的图像加密方案,用于保护图像隐私,在不侵犯隐私的前提下,通过加密的图像进行网络训练并得到验证。
Mar, 2018
提出了一种名为 CryptoNN 的框架,该框架使用功能性加密方案来支持加密数据上的神经网络模型的训练,以解决神经网络模型训练过程中的隐私问题,并显示出与 MNIST 数据集上基线神经网络模型相似的准确性。
Apr, 2019
分析了过去 10 年来现有的最新机器学习模型及其对不同类型网络攻击的检测,以找出仍需进一步研究的领域。
Feb, 2024
该研究论文调查了多种网络密码算法,并提出了一种将自然语言处理作为保护代理的方法,阐述了如何将语言集成到对称加密中以帮助加密容易受攻击的流。
Jun, 2022
通过使用混合加密,本研究涵盖了云基础设施中的所有安全问题和泄漏。
Apr, 2024
本文介绍了一个加密学习框架,引入了多种算法对命名实体识别任务的训练数据进行加密,并使用加密数据训练深度神经网络,在六个中文数据集上进行实验,本文解决了数据泄露问题并取得了令人满意的结果。
Aug, 2022