随着网络技术的发展,网络信息传输安全越来越受重视。一方面,需要检测和阻断通过网络传输的恶意信息;另一方面,需要保障通过网络传输的正常通信信息的安全性和隐私性。网络时间隐通道检测是这一领域的重要课题。以往的网络隐通道检测算法存在很多问题,很多检测算法针对某些特定的网络隐通道有效,但对另外一些类型的网络隐通道检测效果却不理想,且检测的实时性和准确率都有待提高。论文首先对现有的网络隐通道检测方法进行了研究与分析,分析几种典型网络时间隐通道的数据包特征分布情况。针对现有检测方法仅反映网络隐通道一维特征的缺陷,提出一种基于二维图像特征的网络时间隐通道检测方法。为了进一步提升网络隐通道检测的准确率,在上述方法的基础上,提出基于卷积神经网络(Convolutional Neural Network,CNN)的网络时间隐通道检测方法。论文的主要研究工作有:(1)提出基于二维图像特征的网络时间隐通道的检测方法,通过提取网络数据包的时间间隔、数据包长度两种特征分量,对两种特征分量的数值进行归一化处理后,构造能够描述网络流数据包特征的二维图像,从而将网络流数据包在一维时间轴上的特性关系反映到二维图像的纹理特性上,通过灰度共生矩阵及其统计特征分析二维图像的纹理特性,进而区分合法通道和网络时间隐通道。最后,通过真阳率和假阳率两个指标来说明检测方法的有效性。(2)提出一种基于卷积神经网络的网络时间隐通道检测方法,该方法在将网络数据包特征分量进行二维图像化的基础上,通过卷积神经网络的训练学习来实现网络时间隐通道的检测。为了避免训练过程中出现参数难以调整的问题,防止过拟合,采用了梯度下降、Dropout等措施极大地优化训练过程。为了检验基于CNN的网络时间隐通道检测方法的效果,使用不同类型的网络时间隐通道的数据集对检测方法进行验证,分析训练轮数、池化方式等不同参数对检测结果的影响,并与其他网络时间隐通道检测方法的性能进行对比。实验结果表明,论文提出的方法具有较好的检测能力。