第一个书签之前
摘 要
Abstract
目 录
第1章 绪论
1.1 课题研究背景及意义
1.2 国内外研究现状
1.2.1 文件碎片类型检测的国内外现状
1.2.2 深度学习的国内外现状
1.3 本文的研究内容
1.4 本文的组织结构
第2章 数字取证中文件碎片类型检测的相关算法
2.1 引言
2.2 数字取证与文件碎片类型检测
2.3 文件类型格式及存储结构
2.3.1 文件类型格式与存储结构概述
2.3.2 高熵文件类型特点分析
2.4 基于相似度度量的文件碎片类型检测算法
2.4.1 欧几里德距离
2.4.2 夹角余弦相似度
2.4.3 马哈拉诺比斯距离
2.4.4 曼哈顿距离
2.5 基于传统机器学习的文件碎片类型检测特征与算法
2.5.1 常见的特征向量
2.5.2 常见的机器学习方法
2.6 基于神经网络的文件碎片类型检测算法
2.6.1 人工神经网路
2.6.2 深度卷积神经网络
2.7 本章小结
第3章 基于N-Gram与支持向量机的文件碎片类型 检测算法
3.1 引言
3.2 文件碎片类型检测的网络结构
3.3 基于N-Gram的特征提取与正则化
3.4 基于支持向量机的文件碎片类型检测
3.4.1 线性可分
3.4.2 线性不可分与核函数
3.4.3 One-vs-Rest多分类方法
3.5 算法的实现
3.6 本章小结
第4章 基于数字图像灰度转化和深度学习的文件碎片类型检测算法
4.1 引言
4.2 灰度图的特征描述
4.3 卷积神经网络
4.4 文件碎片类型检测的网络结构
4.4.1 从文件碎片到灰度图像转换结构
4.4.2 深度卷积神经网络的结构
4.4.3 与传统CNN算法结构对比
4.5 深度卷积神经网络的文件碎片类型检测优化算法
4.5.1 1x1卷积运算
4.5.2 优化的损失函数
4.5.3 自适应矩估计优化梯度下降方法
4.6 算法的实现
4.7 本章小结
第5章 实验设计与分析
5.1 引言
5.2 系统开发环境
5.3 数据集及评测标准
5.3.1 文件类型与数据类型
5.3.2 数据集选取与预处理
5.3.3 评测标准
5.4 数字取证中文件碎片类型检测对比算法
5.4.1 基于N-Gram与支持向量机的算法
5.4.2 基于数字图像灰度转化和深度学习的算法
5.5 本章小结
结 论
参考文献
攻读硕士学位期间发表的论文及其他成果
哈尔滨工业大学学位论文原创性声明和使用权限
致 谢
