逃避攻击及其在中文垃圾短信过滤中的应用

摘要

机器学习算法已经广泛应用于许多安全相关的应用，如垃圾邮件过滤、入侵检测和恶意软件检测系统等，都取得了较好的效果。但传统的机器学习技术无法解决对抗性问题。主要是因为传统的机器学习算法都基于训练集和测试集满足独立同分布假设，而在对抗环境中，这个假设并不成立。因此需要对对抗性机器学习进行深入的研究。本文针对对抗性学习中常见的逃避攻击场景，即攻击者会在测试阶段修改恶意样本的特征值从而逃避分类器的检测，研究新的逃避攻击算法。传统的逃避攻击忽略了每个样本特征应具有相应的约束条件，本文在增加了相应的约束条件后，提出了基于复合形法的逃避攻击算法。在入侵检测等数据集上的仿真实验表明，基于复合形法的逃避攻击算法不但能克服传统逃避攻击算法的缺陷，而且减小了攻击距离，提高了攻击模型的收敛速度。 此外，本文还对对抗性环境下的垃圾短信过滤进行了研究，主要考虑是的黑盒攻击形式，即攻击者不了解原始分类器，只了解数据集。通过好词攻击算法，分别对基于支持向量机，朴素贝叶斯，逻辑斯特回归的过滤器进行攻击。通过对比实验发现了攻击算法具有一定的迁移性。最后，基于前面的对抗性机器学习方法，设计开发了安卓环境下对抗垃圾短信过滤系统。系统主要功能包括登入界面、注册界面、垃圾短信验证、垃圾短信拦截和通知等。

目录

第一个书签之前

第一章 绪论

1.2 国内外研究现状

1.3 论文各章节安排

第二章 对抗性机器学习概述

2.2 对抗性机器学习

2.2.1 经典学习模型缺陷

2.2.2 威胁模型

2.2.3 白盒攻击与黑盒攻击

2.3 逃避攻击

2.3.1 攻击者的目标

2.3.2 攻击者的知识

2.3.3 攻击者的能力

2.3.4 攻击策略

2.4 本章小结

第三章 基于复合形法的逃避攻击算法

3.2 复合形法概述

3.3 生成对抗性样本的过程

3.4 实验

3.4.1 在kddcup99数据集实验分析

3.4.2 在EEG数据集上的实验分析

3.5 本章小结

第四章 逃避攻击在中文垃圾短信过滤中的应用

4.1 中文垃圾短信过滤

4.1.1 短信预处理

4.1.2 特征选择

4.1.3 模型训练

4.2.1 白盒模式下的好词攻击

4.2.2 黑盒模式下的好词攻击

4.3.1 数据集

4.3.2 好词攻击方法对比与分析

4.3.3 黑盒攻击可行性分析

4.4 本章小结

第五章 系统实现

5.2 安卓四大组件

5.2.1 Android Activity

5.2.2 Android广播机制

5.3 系统设计

5.3.1 启动页实现

5.3.2 登入注册模块

5.3.3 垃圾短信判别模块

5.3.4 好词攻击模块

5.3.5 垃圾短信拦截模块

5.3.6 垃圾短信通知

5.4 本章小结

第六章 总结与展望

6.2 进一步的研究工作

参考文献

附录1 攻读硕士学位期间撰写的论文

附录2 攻读硕士学位期间参加的科研项目

致谢