《表1 被混淆分支的位置》
本节将对随机森林路径混淆方法进行安全性评估和效能评估.在安全性评估方面,本文考虑了常用的逆向分析方法,利用逆向分析工具分析被混淆的分支,通过分析结果评估混淆方法的安全性.在效能评估方面,本文在相同条件下对比了随机森林,SVM和神经网络混淆对程序效能的影响.为了得到贴近实际的评估,本文选取了SPECint-2006标准测试集中的6个由C语言编写的程序进行评估实验,分别是specrand、sjeng、mcf、lbm、bzip2和h264ref.对每个测试程序,随机选取了不同类型的路径分支,将每个分支条件输入集合通过非对称Feistel网络[34]加密并分割为多维向量作为混淆后的输入.随着随机森林内部决策树的规模增大,随机森林的预测准确性会逐渐提高,选取100作为内部决策树的数量是兼顾效率和预测准确率的选择[35,36],因此用来混淆的随机森林含有100棵决策树.表1标明了被混淆的分支条件和其在源代码中的位置.
图表编号 | XD0017155100 严禁用于非法目的 |
---|---|
绘制时间 | 2018.10.01 |
作者 | 陈喆、贾春福、宗楠、郑万通 |
绘制单位 | 南开大学计算机与控制工程学院、南开大学计算机与控制工程学院、中国民航大学信息安全测评中心、河北省高可信信息系统重点实验室、南开大学计算机与控制工程学院、南开大学计算机与控制工程学院 |
更多格式 | 高清、无水印(增值服务) |