Unlock Music 音乐解锁 在浏览器中解锁加密的音乐文件。 Unlock encrypted music file in the browser. unlock-music项目是以学习和技术研究的初衷创建的，修改、再分发时请遵循 Unlock Music的CLI版本正在开发中。 我们新建了Telegram群组，欢迎加入！ 特性 支持的格式 QQ音乐 (.qmc0/.qmc2/.qmc3/.qmcflac/.qmcogg/) 写入封面图片 Moo音乐格式 () QQ音乐Tm格式 (.tm0/.tm2/.tm3/.tm6) QQ音乐新格式 (实验性支持) .mflac 网易云音乐格式 (.ncm) 补全ncm的ID3/FlacMeta信息 虾米音乐格式 (.xm) (测试阶段) 酷我音乐格式 (.kwm) (测试阶段) 酷狗音乐格式 (.kgm) () 其他特性

使用深度学习对加密流量进行分类 该存储库包含在2018年DTU Compute的硕士学位论文中使用和开发的代码。 教授一直是该硕士论文的导师。 来自一直是该项目的联合主管。 在本文中，我们研究和评估了使用神经网络对加密网络流量进行分类的不同方法。 为此，我们创建了一个具有流/非流焦点的数据集。 数据集包括七个不同的类，五个流分类和两个非流分类。 本文是对Napatech A / S的初步概念验证。 我们提出了一种新颖的方法，其中利用了网络流量的未加密部分，即标头。 这是通过将会话中的初始标头串联起来，从而形成一个签名数据点来完成的，如下图所示： 通过使用前8个和16个标头创建的数据集在此存储库的datasets文件夹中可用。 我们通过在串联头数据集上运行t-SNE来探索数据集。 从下面的t-SNE图可以看出，该图显示了合并的所有单个数据集，似乎可以对单个类进行分类。 在使用基于标头

Identifying Encrypted Malware Traffic with Contextual Flow Data, ETA

Identifying Encrypted Malware Traffic with Contextual Flow Data 识别加密网络流量中包含的威胁会带来一系列独特的挑战。监视此流量中是否存在威胁和恶意软件很重要，但是必须以保持加密完整性的方式进行监视。由于模式匹配无法对加密数据进行操作，因此以前的方法已经利用了从流中收集的可观察到的元数据，例如流的数据包长度和到达时间。在这项工作中，我们通过考虑数据全能性来扩展当前的最新技术方法。为此，我们开发了受监督的机器学习模型，这些模型利用了一组独特且多样化的网络流数据功能。这些数据功能包括TLS握手元数据，链接到加密流的DNS上下文流以及5分钟内来自同一源IP地址的HTTP上下文流的HTTP标头。 我们首先展示数百万个唯一流上恶意流量和良性流量对TLS，DNS和HTTP的使用之间的区别。本研究用于设计具有最大区分能力的功能集。然后，我们表明，将这种上下文信息合并到有监督的学习系统中，可以对分类为加密的恶意流的问题以0.00％的错误发现率显着提高性能。我们还将在一个独立的真实数据集中验证我们的误报率。

迅猛增长的加密流量正不断改变着威胁形势。随着越来越多的企业实现全数字化，大量的服务和应 用都采用加密技术作为确保信息安全的首要方法。更具体地说，加密流量同比增长已超过 90%，对 流量进行加密的网站数量已从 2015 年的 21% 上升到 2016 年的超过 40%。据 Gartner 预测，到 2019 年， 80% 的网站流量都会被加密。 对于使用互联网通信并在线处理业务交易的企业而言，加密技术可以为其提供更强的隐私性和安全 性。移动应用、云应用和 Web 应用依赖合理实施的加密机制，使用密钥和证书来确保安全性并建 立信任。然而，企业并不是加密技术的唯一受益者。威胁发起者也在利用这项技术躲避检测，确保 他们恶意活动能够得逞。图 1 显示了此类攻击带来的经济影响。

摘要：多用户可搜索加密（MSE）允许用户以一种方式加密其文件，以使这些文件可以被该用户授权的其他用户搜索。 MSE最直接的应用是云存储，它使用户能够安全地将其文件外包给不受信任的云存储提供商，而不会牺牲共享和搜索它的能力。 任何实用的MSE方案都应满足以下属性：简洁的索引，次线性搜索时间，数据隐藏和活检门隐藏的安全性以及有效授权或撤消用户搜索文件的能力。 不幸的是，没有MSE方案可以同时实现所有这些特性。 这严重影响了MSE的实用价值，并阻止了它在具体的云存储系统中部署。 为了解决此问题，我们提出了第一种MSE方案，以满足上述所有特性。 我们的方案可以使用户授权其他用户搜索加密形式的关键字子集。 我们使用Type-3的非对称双线性映射组和关键字授权二进制树（KABtree）来构造此方案，以实现更好的性能。 我们实施我们的计划并进行性能评估，证明我们的计划非常有效并且可以部署。

Pyfhel：PY马拉松F或H omomorphicËncryption大号ibraries。 版本：[ v2.3.1 ] 状态：稳定 描述：允许在整数的整数|向量上进行加，减，乘，标乘积。 该库充当最高级的C ++ HE库的优化Python API。 语言：C ++ 17之上的Python（3.5+）和Cython。 操作系统：Windows（在MSVC2017 ， MSVC2019和gcc6 for WSL上进行了测试）和Linux（在gcc6进行了测试）。 不支持MacOS。 :warning: 必需：Python必须已经用C ++ 17编译： g++>=6 | MSVC 2017+ :warning: Docs ：目前，仅记录了API []。 实例被大量评论。 依赖关系：有两种可能的后端（均与Pyfhel一起提供），C ++中的HE库： （默认无外部依赖项）。 （无外部依赖项） WI

基于流密码加密的密文域可逆信息隐藏代码，属于张新鹏老师一篇论文中算法的实现，利用流密码加密加密图像，然后进行信息嵌入与提取，可完全恢复原始图像

信息安全_数据安全_cryp-w02-computing-on-encrypted- 安全加固 安全现状 安全运营 风控系统 安全响应

TF Encrypted是TensorFlow中用于加密机器学习的框架。 它看上去和感觉上都像TensorFlow，它利用Keras API的易用性，同时通过安全的多方计算和同态加密对加密数据进行训练和预测。 TF Encrypted的目的是在不要求密码学，分布式系统或高性能计算专业知识的情况下，使隐私保护机器学习随时可用。 有关更多，，请参见下文，或访问以了解有关如何使用该库的更多信息。 也非常欢迎您加入我们的以解决有关使用和开发的所有问题。 安装 TF Encrypted是上的一个软件包，支持Python 3.5+和TensorFlow 1.12.0+： pip install tf-