第1章 網(wǎng)絡(luò)安全態(tài)勢感知
1.1 網(wǎng)絡(luò)安全態(tài)勢感知研究范圍
1.2 研究背景
1.3 研究目標
1.4 研究內(nèi)容
第2章 網(wǎng)絡(luò)安全態(tài)勢感知綜述
2.1 網(wǎng)絡(luò)安全態(tài)勢感知模型
2.2 網(wǎng)絡(luò)安全態(tài)勢要素提取模型
2.3 網(wǎng)絡(luò)安全態(tài)勢評估技術(shù)
2.4 網(wǎng)絡(luò)安全態(tài)勢預(yù)測技術(shù)
2.5 態(tài)勢預(yù)測的經(jīng)典模型
2.5.1 基于時間序列的態(tài)勢預(yù)測模型
2.5.2 基于灰色理論的態(tài)勢預(yù)測模型
第3章 基于并行約簡的態(tài)勢要素提取方法
3.1 粗糙集的基本理論
3.2 連續(xù)屬性離散化
3.3 經(jīng)典的屬性約簡算法
3.4 基于并行約簡的態(tài)勢要素提取算法
3.4.1 構(gòu)建態(tài)勢要素信息集合
3.4.2 建立態(tài)勢要素屬性重要度矩陣
3.4.3 算法描述
3.5 實驗與分析
3.5.1 實驗環(huán)境與數(shù)據(jù)集
3.5.2 性能評價指標
3.5.3 實驗過程與結(jié)果分析
第4章 基于鄰域粗糙集的態(tài)勢要素提取方法
4.1 鄰域粗糙集的基本理論
4.2 鄰域半徑的影響
4.3 基于鄰域粗糙集的態(tài)勢要素提取算法
4.3.1 鄰域半徑的設(shè)定
4.3.2 鄰域并行約簡
4.3.3 鄰域?qū)傩灾匾染仃?br /> 4.3.4 算法描述
4.4 實驗與分析
4.4.1 實驗數(shù)據(jù)與評價標準
4.4.2 實驗過程與結(jié)果分析
第5章 基于改進AMCPSO-DS證據(jù)理論的態(tài)勢評估
5.1 基于改進AMCPSO-DS證據(jù)理論的態(tài)勢評估模型
5.1.1 傳統(tǒng)網(wǎng)絡(luò)安全態(tài)勢評估模型
5.1.2 改進網(wǎng)絡(luò)安全態(tài)勢評估模型
5.2 基于改進AMCPSO-DS證據(jù)理論的態(tài)勢評估算法
5.2.1 D-S證據(jù)理論
5.2.2 粒子群優(yōu)化算法
5.2.3 威脅量化評估
5.2.4 實驗分析
第6章 基于CRIT-LSTM的網(wǎng)絡(luò)安全態(tài)勢評估與預(yù)測
6.1 對LSTM神經(jīng)網(wǎng)絡(luò)的改進
6.1.1 網(wǎng)絡(luò)安全態(tài)勢感知應(yīng)用場景的問題分析
6.1.2 深層堆疊的深度神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)
6.1.3 ReLU改進的LSTM單元結(jié)構(gòu)
6.1.4 CE函數(shù)改進的損失評價過程
6.2 基于CRIT-LSTM的網(wǎng)絡(luò)安全態(tài)勢感知相關(guān)方法
6.2.1 網(wǎng)絡(luò)安全態(tài)勢感知流程
6.2.2 數(shù)據(jù)處理
6.2.3 態(tài)勢量化
6.2.4 態(tài)勢呈現(xiàn)
6.3 網(wǎng)絡(luò)安全態(tài)勢評估與預(yù)測
6.3.1 網(wǎng)絡(luò)安全態(tài)勢評估與預(yù)測框架
6.3.2 實現(xiàn)平臺與數(shù)據(jù)集
6.3.3 網(wǎng)絡(luò)安全態(tài)勢理解與評估
6.3.4 網(wǎng)絡(luò)安全態(tài)勢預(yù)測
第7章 基于隱馬爾可夫模型在復(fù)合式攻擊預(yù)測
7.1 基于隱馬爾可夫模型在復(fù)合式攻擊預(yù)測模型
7.1.1 隱馬爾可夫模型算法
7.1.2 對HMM建模算法的改進
7.1.3 復(fù)合式攻擊的隱馬爾可夫模型的建立
7.1.4 基于隱馬爾可夫模型在復(fù)合式攻擊中的預(yù)測
7.2 基于隱馬爾可夫模型的預(yù)警系統(tǒng)的建立
7.2.1 系統(tǒng)設(shè)計目標
7.2.2 預(yù)警系統(tǒng)模型
7.2.3 預(yù)警系統(tǒng)的體系結(jié)構(gòu)
7.3 實驗分析
7.3.1 實驗數(shù)據(jù)介紹
7.3.2 實驗結(jié)果及分析
第8章 基于RBF神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)安全態(tài)勢預(yù)測
8.1 改進的RBF神經(jīng)網(wǎng)絡(luò)
8.1.1 FCM算法
8.1.2 遺傳算法與混合遞階遺傳算法
8.2 實驗分析
參考文獻