计算机与网络
潘吴斌江苏天创科技有限公司
市场上手机厂商、手机型号以及硬件的差异，使得
YouTube 在传输视频过程中需进行视频码率、分辨率等方面
幼儿园保育员总结的识别及适应，以DASH-APP , HLS-APP , HPD-APP 三种传输
模式为例，这3种传输模式的段数特征差异很大。因此，本文 通过分析3种传输模式之间的差异性、加密算法及更换流等
内容，为进行YouTube 模式识别提供技术支撑。
移动端加密视频传输模式识别模型构建
本文提出基于在线和离线2种模式的模式识别模型构
建，首先通过贝叶斯模型进行离线训练，然后采用A-I-P-FP 进 行在线识别。
朴素贝叶斯多项式模型①贝叶斯分类器原理及流程
CountVecotrizer 作用是特征向量化，特征向量化示例图如 图2所示。。
图2特征向量化示例
MutinominalNB 模块的主要功能是基于朴素贝叶斯多项待分类项用向量X 表示为心佝,a?，冬…，,)，其所属类别
有m 种，用集合0{5, C2,…表示。如果Hgx)等于max{
只引力，只引为,…，则认为X 属于Ck 。而R©x)称为c
的后验概率,P(c )称为c 的先验概率，则有：
P(q|x)二
P (X cjp(q)
P(x)⑴
因为朴素贝叶斯假设事物属性之间相互条件独立,P (M)
计算方法见公式2
P(x\c l ^P(c l )YlP{a l \c l ) ⑵
美白祛斑产品排行冃
数示意图如图1所示。
②算法实现
i 亥算法包含Feature Extractor , Count Vectorizer , Mutinominal NB 三个功能模块。
Feature Extractor 主要作用是特征提取并标记，并发链接
图1并发链接数示意图
式模型算法。
A-I-P-FP 方案
A-I-P-FP 方案离线训练模块的实现如图3所示。Stream Filter 模块用于检测客户端到服务器端，并过滤出视频样本首 部第一条视频流F 、和其后一条流F+1,2条有效的视频流，此
咅E 分基于tshark 实现。
图3基于A-I-P-FP 方案的离线训练模块
实验与结果分析数据集合描述
采用表1设备进行数据集描述，共分为20和160,2次进
行YouTube 热门视频采集。
表1数据集合
手机终端传输模式数量终端
iphone6/iphone6s HLS-APP
李婷宜个人资料150IOSAPP
三星S4/华为P7
HPD-APP 100Android APP HTCM7，红米
:DASH-APP
150
Android APP iphone6
HPD-WEB 50IOS WEB
…~^^P7……
DASH-WEB
天龙八部武魂合成50
Android WEB
计算机与网络
实验评估
yi5朴素贝叶斯多项式模型实验评估
在数据集合中随机选取200个视频样本，为分析T时间参数选择对分类器的影响进行了实验，其D1准确率、召回率
A-I-P-FP方法实验评估
将500个视频集合D2分为S2、T2两个集合。训练集为80%，测试集为20%。表3用查准率、查全率和F-score及其均值，展示了对方法的评估。
与F1-score结果如表2所示。
表2D1准确率、召回率与F1-score 传输模式准确率召回率Fl-score
DASH95%84%89%
HLS92%92%92%
HPD83%88%90%
表3D2准确率、召回率与F1-score
传输模式准确率％召回率％Fl-score% DASH-APP99990.99 DASH-WEB91910.92 HLS-APP96940.95 HPD-APP99990.99 HPD-WEB82990.90
图4给出了这次实验的混淆矩阵，图5展示了对朴素贝叶斯多项式模型构建的分类器进行了10次交叉验证的结果。
如表3结果所示，识别效果最好的2种模式是DASH-APP和HPD-APP。并且如图6所示为对500个视频进
由图4和图5可见其平均准确率达到92.25%行了10次交叉验证的结果。可见本文方法均能取得良好的识
别效果。
100
2020三九天时间表94
准88
确
J82BH 76
70
次数159图510次交叉验证(MutinomialNB)
拍一拍后缀图610次交叉验证结果(A-I-P-FP)
为完成YouTube移动端加密视频流的识别、关联以及传输模式的识别，研究了基于DASH,HLS,HPD等视频传输模式在加密情况下的特征和区别，分析了在移动App,PCWEB 端进行YouTube视频传输模式的差异性和共同性，并深入分析了不同型号手机对视频观看的影响，最后提出了A-I-P-FP 视频传输加密方法，为在线识别YouTube视频传输模式提供了一种高效、可行的解决方案。
根据Mimecast的最新安全状况报告，企业在2020年面临前所未有的网络安全风险，在一项基
于1200多名IT和网络安全从业人员的研究中，软件影响高达61%，相比2019年增加了20%,79%的人表示公司在2020年由于缺乏网络准备而遭遇过业务中断、财务损失或其他问题。
据悉，受软件影响，公司平均损失了6个工作日的系统停机时间，其中37%的公司表示停机时间持续了一周或更长时间。52%的软件受害者支付了威胁者的赎金要求，其中66%的企业能够恢复数据,34%的企业尽管支付了赎金也没有恢复数据。10家公司中有8家增加了的使用, 47%的受访者表示他们看到欺骗活动的增加,1%的人表示，他们担心协作工具中存档的对话会带来风险。
40%的受访者表示，他们的组织在安全的一个或多个关键领域存在不足，使员工面临网络钓鱼、恶意软件、商业泄露和其他攻击。此外,43%的人说，员工对网络安全缺乏认识是他们最大的弱点之一。
版权声明：本站内容均来自互联网，仅供演示用，请勿用于商业和其他非法用途。如果侵犯了您的权益请与我们联系QQ:729038198，我们将在24小时内删除。
发表评论