一种恶意文件的脱壳方法、装置、电子设备及存储介质

    公开(公告)号:CN116842512A

    公开(公告)日:2023-10-03

    申请号:CN202310545705.0

    申请日:2023-05-15

    Abstract: 本申请实施例提供了一种恶意文件的脱壳方法、装置、电子设备及存储介质,该方法包括:针对任一目标格式的待处理文件,若待处理文件为目标加壳文件,则从所述目标加壳文件中确定目标字段;其中,所述目标字段为脱壳所需的字段;若所述目标字段中有信息缺失字段,则在所述目标加壳文件中对所述信息缺失字段进行信息填补,得到重构加壳文件;基于预设脱壳方式,对所述重构加壳文件进行脱壳处理,得到原始文件。本实施例在获取到待处理文件后,在其为目标加壳文件时才会执行后续步骤,更有针对性地脱壳;通过在目标加壳文件中对信息缺失字段进行信息填补,实现变种加壳文件脱壳,还原出被变种加壳的原始文件,提升物联网恶意文件的脱壳成功率。

    基于深度学习与侧信道分析的网络加密流量识别方法装置

    公开(公告)号:CN112165484B

    公开(公告)日:2022-10-14

    申请号:CN202011021966.5

    申请日:2020-09-25

    Abstract: 本发明实施例提供了基于深度学习与侧信道分析的网络加密流量识别方法、装置,将侧信道分析与深度学习方法相结合,将网络层加密网络会话执行过程中与设备层现场总线、I/O信号、能量、电磁等物理信息的相互影响和内在联系也纳入分析对象,具体的:构建报文二维数据矩阵、通信行为二维数据矩阵以及现场总线一维数据向量、I/O信号一维数据向量以及物理信息一维数据向量,将报文二维数据矩阵、行为二维数据矩阵、现场总线一维数据向量、I/O信号一维数据向量以及物理信息一维数据向量输入至预先训练的网络流量识别模型中,识别待识别网络流量的协议类型。应用本发明实施例提供的方案,提高了网络加密流量识别的准确率和效率。

    基于深度学习与侧信道分析的网络加密流量识别方法装置

    公开(公告)号:CN112165484A

    公开(公告)日:2021-01-01

    申请号:CN202011021966.5

    申请日:2020-09-25

    Abstract: 本发明实施例提供了基于深度学习与侧信道分析的网络加密流量识别方法、装置,将侧信道分析与深度学习方法相结合,将网络层加密网络会话执行过程中与设备层现场总线、I/O信号、能量、电磁等物理信息的相互影响和内在联系也纳入分析对象,具体的:构建报文二维数据矩阵、通信行为二维数据矩阵以及现场总线一维数据向量、I/O信号一维数据向量以及物理信息一维数据向量,将报文二维数据矩阵、行为二维数据矩阵、现场总线一维数据向量、I/O信号一维数据向量以及物理信息一维数据向量输入至预先训练的网络流量识别模型中,识别待识别网络流量的协议类型。应用本发明实施例提供的方案,提高了网络加密流量识别的准确率和效率。

    一种面向SparkSql的HDFS小文件实时合并实现方法

    公开(公告)号:CN108256115A

    公开(公告)日:2018-07-06

    申请号:CN201810142899.9

    申请日:2018-02-11

    Abstract: 本发明提供了一种面向SparkSql的HDFS小文件实时合并的实现方法,属于大数据处理技术领域。定期筛选HDFS中待合并的小文件,对得到的待合并小文件,生成合并小文件的Spark任务,并提交至Yarn上执行;对完成小文件合并的结果信息放置于待替换列表中;结合Zookeeper保持SparkSql在使用合并后文件替换被合并文件时维持正常运行;根据SparkSql实时检索数据库表的情况,在Zookeeper中注册和注销相应数据库表的读状态;在文件替换时,通过网络在SparkSql中进行文件元数据缓存增量更新。本发明可以在保持SparkSql正常运行的情况下,实现实时合并HDFS小文件,有效的提高SparkSql的检索效率,在大数据处理领域具有很强的实用性和应用范围,具有很广泛的应用前景。

    一种基于模糊逻辑的虚拟服务迁移方法

    公开(公告)号:CN105743985A

    公开(公告)日:2016-07-06

    申请号:CN201610173486.8

    申请日:2016-03-24

    CPC classification number: H04L67/327 H04L41/0823 H04L67/1004

    Abstract: 本发明提出一种基于模糊逻辑的虚拟服务迁移方法,包括以下步骤:1)服务迁移的参数采集:2)获取各迁移代价参数在模糊集合中的隶属度函数;3)通过模糊规则对各迁移代价参数组在模糊集合中的隶属度函数进行模糊推理,得到模糊输出;4)对该模糊输出进行非模糊化处理,得到对应各潜在节点的迁移参考值;5)根据所述迁移参考值,对各潜在节点排序,选取迁移参考值最小的潜在节点作为迁移的目标节点。能够有效综合各种因素对迁移的影响,通过模糊逻辑规则的建立和更新反映了不同参数对迁移的影响力的不同,并且通过对模糊逻辑规则库进行分析和判断,有效的验证网络行为的变化规律,对迁移进行预判和执行。

Patent Agency Ranking