中期报告一半

工作日志/中期报告.md

@@ -1,3 +1,61 @@
+1 论文研究计划
+研究背景和意义以及存在的问题（毕设第一章，前三节）
+	Android恶意软件迫在眉睫深度学习算法非常好用隐私保护提上日程数据和隐私矛盾不可调和。联邦学习提出解决矛盾。但在恶意软件检测中，存在很大问题（例如数据梯度导致的隐私泄露、数据非独立同分布导致的准确率下降）。
+研究目标（毕设第一章，第四节）
+	对于联邦学习应用在恶意软件检测中的数据的隐私保护问题和非独立同分布问题（这样描述问题要比原来的清晰），我们分别提出了解决方案。并将这两个问题的解决方案融合成一个可扩展的、可复用的基于联邦学习的恶意软件模型训练和检测系统。
+研究内容（毕设第一章，第五节）
+	基于差分隐私的联邦学习框架主要包括三部分。首先建立恶意软件模型训练过程的威胁模型。然后将差分隐私应用到联邦学习的梯度保护当中，构建基于差分隐私的联邦学习框架。最后通过隐私计算和实验研究，验证隐私保护的效力和模型训练过程的鲁棒性。
+	基于贡献度的联邦元学习框架主要包括三部分。首先对恶意软件中的独立同分布问题进行建模，分析产生非独立同分布的原因，并提出了一种衡量非独立同分布的方案，通过理论分析和实验验证，数据非独立同分布对恶意软件检测模型的训练，会造成重大影响。然后将元学习的思想应用到联邦学习的训练过程中，构建一个个性化的联邦元学习框架。提出了一种衡量模型贡献度的方案，在联邦元学习的基础上，在客户端基于用户的贡献度进行聚合，实现基于贡献度的联邦元学习框架。然后通过理论分析和实验验证，该框架的有效性。
+	基于联邦学习的恶意软件模型训练和检测系统，主要包括三部分。核心层的建设和实现，主要包括各种算法核心、隐私保护方法核心等等。基于gRpc微服务的联邦学习系统。业务流层的创建和定制。算法控制、过程监测和结果分析的可视化实现。创新点：将云端的微服务系统用于边缘学习的联邦学习系统的构建。将客户端视作提供知识的微服务，向服务器注册自己的服务类型，服务器根据需求，创建服务的业务流，与客户端一同协作，完成训练过程。
+
+论文的研究计划
+	粘贴之前的研究成果。
+预期的研究成果（毕设第一章，第六节论文组织与安排）
+	小论文或者使用微服务系统发表专利。
+
+2 已完成的相关工作
+研究现状（毕设第一章，国内外研究现状）
+理论研究（关于恶意软件、联邦学习、非独立同分布等问题的理论分析）（毕设第二章，相关技术和理论研究中的理论部分）
+恶意软件数据预处理
+算法提出（基于差分隐私的隐私保护算法、基于联邦元学习的非独立同分布算法）（毕设第三章、第四章）
+实验研究（各种算法的复现工作、算法的实现工作、实验结果的对比工作）（毕设第五章）
+系统构建（基于微服务架构的联邦学习框架和恶意软件检测系统）（毕设第六章）
+
+
+
+（图：联邦学习框架图、恶意软件检测系统架构图）
+（算法：主要算法）
+（公式：非独立同分布的建模公式、算法的推导公式）
+
+3 关键技术或难点（参考开题的内容，把系统各个模块拆解放到这里）（毕设第二章，相关理论和技术中的技术部分，以及三个研究点的三个难点部分，存在的挑战）
+恶意软件特征提取技术
+威胁模型和隐私计算方法
+面向非独立同分布问题的联邦学习算法
+基于微服务架构的系统构建
+
+4 下一阶段的工作计划
+存在的问题
+	系统构建中的问题
+	算法的稳定性存在问题。收敛速度较慢，需要进一步调试，找到合适的参数。
+尚未完成的工作
+	威胁模型和隐私计算的实践。隐私保护问题的
+后期工作的设想和安排
+	九月份实现基于差分隐私的隐私保护方法。
+	十月份完成实验和系统。
+	十一月份完成最终的论文。
+
+
+参考文献
+
+
+
+
+	按照毕业论文的水准来写研究背景、研究目标、研究内容。把引用的文献写清楚。
+	已经完成的工作尽量详细点。按照毕业论文理论和实验部分的要求来写。
+	每一个技术或者内容的名字现在应该固定下来。不应该这么随意了。
+	对框架和系统部分进行区分。（是算法框架，是一种模式。系统是对这种模式的实现。）
+	命名规范确定一下（基于联邦学习的恶意软件检测系统？面向恶意软件检测的联邦学习系统）搞明白啊，术语不统一自己也很凌乱。
+ 
 
 l  开题报告中确定的论文研究计划，按计划应该完成的工作；
 
@@ -5,7 +63,6 @@ l  已完成的论文研究工作和取得的阶段性成果；
 
 l  存在的问题、尚未完成的工作及后期工作的设想和安排。
 
-
 截止时间为2021年8月30日
 分组，学生才能打印中期检查表
 报告时间15分钟左右，其中学生汇报不超过10分钟，专家提问不超过5分钟。

工作日志/毕业设计.md

@@ -62,17 +62,22 @@
 
 ### 论文结构
 
-## 第二章：理论基础
+## 第二章：理论基础和相关技术
 
 ### 1 恶意软件检测原理
 
 > 恶意软件主要分类、恶意软件主要分类的依据和数学表示（接口、行为？）、恶意软件主要的检测方法利用到的原理。
 
 
-### 2 特征提取技术
+### 2 恶意软件特征提取技术
 
 > 特征提取技术，特征降维方法。动静态特征的提取方法。
 
+
+* 静态特征的提取
+* 动态特征的提取
+* 特征降维方法
+
 ### 3 联邦学习
 
 > 联邦学习的基础原理。联邦学习的实现方案。联邦学习的分类和数学表示。联邦学习中的开放问题。
@@ -88,46 +93,43 @@
 > 对非独立同分布的数学的描述。
 
 
-## 第三章：恶意软件特征提取方法
 
-### 静态特征的提取
+## 第三章：针对恶意软件非独立同分布问题的联邦学习框架
 
+### 非独立同分布问题的建模
 
-### 动态特征的提取
-
-
-## 第四章：针对非独立同分布问题的联邦学习框架
 
 ### 联邦学习框架的算法框架
 
 
-### 针对非独立同分布问题的联邦元学习算法
+### 针对恶意软件非独立同分布问题的联邦元学习算法
 
 
 
 * 能够衡量用户的贡献度的方法
 
-## 第五章：基于差分隐私和联邦学习的恶意软件检测算法
+## 第四章：基于差分隐私和联邦学习的恶意软件检测算法
 
-### 隐私保护的原理（数学公式推导）
-### 隐私保护的框架（算法，加入到整体的联邦学习框架中）
+### 威胁模型的简历和隐私保护的原理（数学公式推导）
+### 基于差分隐私的隐私保护框架（算法，加入到整体的联邦学习框架中）
 ### 隐私计算（从理论上证明，隐私保护的准确性）
 
 
 
 
 
-## 第六章：恶意软件检测仿真系统构建
+## 第五章：恶意软件检测仿真系统构建
 
 ### 系统架构图
 
 
 ### 各个模块的设计方案
-1. 训练控制模块
-2. 网络通信模块
-3. 训练展示模块
-4. 实验结果对比模块
+1. 特征提取模块
+2. 训练控制模块
+3. 网络通信模块
+4. 训练展示模块
+5. 实验结果对比模块
 
-## 第七章：恶意软件检测算法的实验与结果
+## 第六章：恶意软件检测算法的实验与结果
 
-## 结论
+## 第七章 结论