2、DPNeT：实现隐私保护的网络流量合成

DPNeT：实现隐私保护的网络流量合成

1. 引言

在网络流量分析中，保护数据隐私至关重要。DPNeT 作为一种解决方案，旨在合成具有隐私保护的网络流量数据。本文将详细介绍 DPNeT 的工作原理、训练过程、改进策略以及评估结果。

2. DPNeT 工作原理

2.1 嵌入网络

嵌入网络是一个简单的单隐藏层神经网络，包含 20 个神经元。其作用是为 GAN 训练集生成数值特征向量。具体步骤如下：
1. 利用领域专家为每个输入特征确定的一组特征进行训练。
2. 训练完成后，以隐藏层的权重作为单词（即网络流量属性）的特征向量。
3. 对于 GAN 生成的合成特征向量，在嵌入空间中基于余弦相似度检索词汇表中最相似的单词，并输出合成网络流量记录。

2.2 训练嵌入模型

为了准确学习特征相似度并保护隐私，DPNeT 使用与 GAN 模型敏感训练集不相交的公共数据集来训练嵌入模型，主要基于以下三点考虑：
1. 准确学习特征相似度 ：使用公共数据集可以在不损失隐私的情况下迭代微调参数。
2. 较小的训练集 ：由于准确性较高，嵌入模型的训练集不需要很大，且更容易对词汇表进行清理。
3. 通用网络流量编码 ：嵌入网络应学习独立于 GAN 训练数据的通用网络流量编码，以生成可用于其他应用的嵌入模型。

2.3 数据插补

由于嵌入模型的词汇表可能不包含 GAN 训练集中的所有单词，因此需要对敏感训练数据进行插补，即将嵌入