FlowPrint Semi-Supervised Mobile-App Fingerprinting on Encrypted Network Traffic读后感

最新推荐文章于 2025-06-05 16:53:26 发布
最新推荐文章于 2025-06-05 16:53:26 发布
阅读量449 收藏 1
点赞数
分类专栏： 人工智能 文章标签： 加密流量分类 深度学习 半监督
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/weixin_44275663/article/details/123732766
版权
FlowPrint是一种无需先验知识的半监督方法，用于移动应用的指纹识别。通过分析流量目的地址相关特征的时间相关性，该方法在89.2%的准确率下识别应用，并在连接前5分钟能以93.5%的精度识别72.3%的未知应用。研究团队来自荷兰University of Twente，他们利用时序、IP&port、大小和TLS证书等特征，经过聚类和相关性分析生成应用指纹，实现高效识别。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

FlowPrint Semi-Supervised Mobile-App Fingerprinting on Encrypted Network Traffic

会议：Network and Distributed Systems Security (NDSS) Symposium 2020

时间：2020/2/23

目标/方法：半监督移动app指纹；未知app识别。

团队：University of Twente（荷兰）

背景：移动app同质化（Homogeneous）、更新快，现有识别方法需要先验知识。
本文提出不需先验知识的半监督方法：FLOWPRINT。
移动app由不同的模块组成，这些模块通常与一组静态目的地进行通信。
利用流量目的地址相关特征之间的时间相关性生成app指纹。

算法：①分流
②提特征（时序、IP&port、大小、TLS证书等）
③根据目的二元组或证书聚类（由于DNS缓存，不使用DNS信息）；【会存在很多共享cluster，如Ad】
④浏览器traf

了解本专栏 订阅专栏 解锁全文
论文阅读1：FlowPrint: Semi-Supervised Mobile-App Fingerprinting on Encrypted Network Traffic
weixin_44275663的博客
07-05 586
题目：FlowPrint: Semi-Supervised Mobile-App Fingerprinting on Encrypted Network Traffic 会议：NDSS2020 摘要 Abstract—Mobile-application fifingerprinting of network traffific is valuable for many security solutions as it provides insights into the apps active on a
加密流量分析资源汇总 Encrypted traffic analysis resource summary
AI拉呱，专注于人工智与网络安全方面的研究，关注一起学习。
03-20 219
This is a current list of resources related to the research and development of encrypted traffic analysis. We comb the field for relevant representative work and related resources, and pay more attention to typical studies and research teams.
【论文阅读#3】FLOWPRINT : Semi-Supervised Mobile-App Fingerprinting on Encrypted Network Traffic
Elivyxy的博客
04-03 2037
一、论文信息 本文是发表在NDSS 2020上的一篇文章，作者在本文中提出了一种从加密的网络流量中提取移动应用程序指纹的半监督方法。该方法可以有效识别Android和iOS上的应用程序且不需要先验知识，并且工作效率可控，实验结果远超目前最先进的解决方案。 1.1、摘要原文 Mobile-application fingerprinting of network traffic is valu...
FLOWPRINT: Semi-Supervised Mobile-App Fingerprinting on Encrypted Network Traffic
treasure_lili的博客
02-16 5476
一种从加密的网络流量中提取移动app指纹的方法 NDSS2020 .
FLOWPRINT-Semi-Supervised Mobile-App.pdf
03-30
FLOWPRINT-Semi-Supervised Mobile-App.pdf
FlowPrint:与NDSS '20论文一样，FlowPrint的原始实现
05-22
FlowPrint 该存储库包含NDSS FlowPrint [1]论文作者的FlowPrint代码。 在学术出版物中使用FlowPrint时，请它。 该master分支将FlowPrint作为开箱即用的工具提供。 对于本文的原始实验，请查看NDSS分支。 介绍 FlowPrint引入了一种半监督方法，可根据（加密的）网络流量对移动应用程序进行指纹识别。 我们会自动在网络流量的目标相关功能之间找到时间相关性，并使用这些相关性来生成应用指纹。 这些指纹可以在以后重新使用以识别已知应用程序或检测以前看不见的应用程序。 这项工作的主要贡献是无需事先了解网络中运行的应用程序即可创建网络指纹。 文献资料 我们在提供了广泛的文档，包括安装说明和参考。 参考 [1] van Ede, T., Bortolameotti, R., Continella, A., Ren, J., Dubois, DJ,
FlowPrint 开源项目教程
gitblog_00027的博客
08-20 326
FlowPrint 开源项目教程 FlowPrintOriginal implementation of FlowPrint as in the NDSS '20 paper项目地址:https://gitcode.com/gh_mirrors/fl/FlowPrint 1. 项目的目录结构及介绍 FlowPrint 项目的目录结构如下： FlowPrint/ ├── data/ │ ├──...
【研究型论文】【GNN+加密流量】MAppGraph: Mobile-App Classification on Encrypted Network Traffic using Deep GNN
一个努力生活的人的博客
04-09 1935
MAppGraph: Mobile-App Classification on Encrypted Network Traffic using Deep GNN
加密流量专栏总览
一个努力生活的人的博客
02-25 2217
wu
app指纹调研
qq_43226213的博客
01-04 748
app指纹
NDSS 2020论文快读
jmhIcoding
05-30 3659
CloudLeak: Large-Scale Deep Learning Models Stealing Through Adversarial Examples Honggang Yu and Kaichen Yang (University of Florida); Teng Zhang (University of Central Florida); Yun-Yun Tsai and Tsung-Yi Ho (National Tsing Hua University); Yier Jin (Un..
tensorflow笔记 tf.Print()
热门推荐
thormas1996的博客
07-26 3万+
调试程序的时候，经常会需要检查中间的参数，这些参数一般是定义在model或是别的函数中的局部参数，由于tensorflow要求先构建计算图再运算的机制，也不能定义后直接print出来。tensorflow有一个函数tf.Print()，当然用python本身的print也可以，这个稍后提及。   tf.Print(input, data, message=None, first_n=None,...
tensorflow实战（一） 打印一个tensor值
promisejia
06-24 1万+
tensorflow打印一个tensor值 在tensorflow中，打印一个tensor值必须在在一个会话Session中进行，并且可以使用Session.run()或Tensor.eval()进行打印x的值： - 使用 print(sess.run(x)) - 使用print(x.eval()) 两者的区别和联系 例子 import tensorflow as tf x = ...
APP流量识别与分类论文分析
无人机飞啊飞啊飞
01-14 3886
论文分析---APP流量分类 亮点 1.1APP分类 1.2模糊数据处理 1.3提高可靠性（训练集和测试集数据来自一次提取还是不同时间提取） 1.4对比时间，版本，设备改变，操作系统版本改变的影响 1.数据获取方法：一个模拟服务器，一个安卓虚拟机，脚本在服务器模拟数据输入，用ADB命令发送给安卓虚拟机，进而在服务器捕获流量（这种方法称为UIfuzing），一次一个应用程序...
【思维-桶记录数组动态滚动】Encrypted Password UVALive - 6320
BlessingXRY的博客
09-09 379
Think: 1知识点：桶记录数组动态滚动 2题意：输入字符串1和字符串2，询问字符串1是否可能由字符串2经过3种操作得到，a操作：交换任意两个字符（可交换大于等于0次）；b操作：输出字符串2时在其之前提前输出一个字符串；c操作：输出字符串2之后再输出一个字符串 3错误反思：注意控制长度 4方法：桶记录数组动态滚动vjudge题目链接以下为Accepted代码#include <cstdio
深度学习之模型压缩三驾马车：基于ResNet18的模型剪枝实战（2）
最新发布
ak47maker的博客
06-05 464
本文针对ResNet18模型剪枝进行了优化改进，主要包含三个方面：1) 将剪枝目标层从底层conv1调整为中间层layer2.0.conv1，减少对基础特征的破坏；2) 采用基于激活值的前向传播方法评估通道重要性，优先剪除低激活通道；3) 改进微调策略，动态解冻关联层并使用更低学习率(0.0001)进行10轮微调。这些优化有效提升了剪枝后模型的稳定性和性能表现，特别是通过中间层剪枝和基于特征贡献的通道选择策略，避免了底层特征破坏带来的连锁反应。
深度学习在非线性场景中的核心应用领域及向量/张量数据处理案例，结合工业、金融等领域的实际落地场景分析
mayaohao的博客
06-05 729
‌非线性建模不可替代性‌工业缺陷形态、市场动态、生物信号等复杂模式无法用线性方程描述310‌高维张量处理优势‌图像/点云/频谱等天然高维数据需张量结构存储，深度学习可分层提取非线性特征1112‌激活函数的核心作用‌ReLU/ GELU 等函数赋予模型分层次拟合复杂决策边界的能力38例如晶圆检测中，单个像素缺陷需联合周围100×100区域非线性特征（如纹理渐变、边缘突变）才能准确判定，此时CNN的多层非线性激活远优于线性分类器1011。
深度学习习题2
2301_78450837的博客
06-05 952
4.假设我们拥有一个已完成训练的、用来解决车辆检测问题的深度神经网络模型，训练所用的数据集由汽车和卡车的照片构成，而训练目标是检测出每种车辆的名称（车辆共有10种类型）。造成这一现象的可能原因是什么？A、第一隐藏层对应D，第二隐藏层对应C，第三隐藏层对应B，第四隐藏层对应A。B、第一隐藏层对应A，第二隐藏层对应C，第三隐藏层对应B，第四隐藏层对应D。C、第一隐藏层对应A，第二隐藏层对应B，第三隐藏层对应C，第四隐藏层对应D。D、第一隐藏层对应B，第二隐藏层对应D，第三隐藏层对应C，第四隐藏层对应A。
semi-supervised hierarchical recurrent graphneural network for city-wide par
11-20
在城市规划和管理中，使用半监督式分层循环图神经网络（semi-supervised hierarchical recurrent graph neural network）对城市范围内的参数进行建模和预测是一种有效的方法。 首先，该网络结合了图神经网络的能力，可以有效地处理城市中大量的空间数据，并且能够捕捉数据之间的复杂关系。其次，通过分层和循环的设计，可以用于处理多层级的城市空间结构，并且能够考虑时间序列数据的变化和演化趋势。此外，采用半监督学习的方式，可以利用少量已知的标注数据，结合大量未标注数据，来建立模型和进行预测，从而提高了建模的效率和预测的准确性。 在城市规划中，这种方法可以应用于城市交通流量预测、城市空气质量监测、城市资源利用优化等方面。通过分析和预测这些参数，可以帮助城市管理者做出科学决策，提升城市的运行效率和市民的生活质量。 总的来说，semi-supervised hierarchical recurrent graph neural network for city-wide parameters modeling and prediction是一种适用于城市规划和管理的先进技术，可以帮助我们更好地理解和把握城市的发展和变化趋势，从而更好地提升城市的可持续发展水平。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值