基于攻擊意圖的網絡安全態(tài)勢感知研究

第1章 網絡安全態(tài)勢感知
1.1 網絡安全態(tài)勢感知研究范圍
1.2 研究背景
1.3 研究目標
1.4 研究內容
第2章 網絡安全態(tài)勢感知綜述
2.1 網絡安全態(tài)勢感知模型
2.2 網絡安全態(tài)勢要素提取模型
2.3 網絡安全態(tài)勢評估技術
2.4 網絡安全態(tài)勢預測技術
2.5 態(tài)勢預測的經典模型
2.5.1 基于時間序列的態(tài)勢預測模型
2.5.2 基于灰色理論的態(tài)勢預測模型
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)境與數據集
3.5.2 性能評價指標
3.5.3 實驗過程與結果分析
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 鄰域半徑的設定
4.3.2 鄰域并行約簡
4.3.3 鄰域屬性重要度矩陣
4.3.4 算法描述
4.4 實驗與分析
4.4.1 實驗數據與評價標準
4.4.2 實驗過程與結果分析
第5章 基于改進AMCPSO-DS證據理論的態(tài)勢評估
5.1 基于改進AMCPSO-DS證據理論的態(tài)勢評估模型
5.1.1 傳統(tǒng)網絡安全態(tài)勢評估模型
5.1.2 改進網絡安全態(tài)勢評估模型
5.2 基于改進AMCPSO-DS證據理論的態(tài)勢評估算法
5.2.1 D-S證據理論
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的網絡安全態(tài)勢評估與預測
6.1 對LSTM神經網絡的改進
6.1.1 網絡安全態(tài)勢感知應用場景的問題分析
6.1.2 深層堆疊的深度神經網絡結構
6.1.3 ReLU改進的LSTM單元結構
6.1.4 CE函數改進的損失評價過程
6.2 基于CRIT-LSTM的網絡安全態(tài)勢感知相關方法
6.2.1 網絡安全態(tài)勢感知流程
6.2.2 數據處理
6.2.3 態(tài)勢量化
6.2.4 態(tài)勢呈現
6.3 網絡安全態(tài)勢評估與預測
6.3.1 網絡安全態(tài)勢評估與預測框架
6.3.2 實現平臺與數據集
6.3.3 網絡安全態(tài)勢理解與評估
6.3.4 網絡安全態(tài)勢預測
第7章 基于隱馬爾可夫模型在復合式攻擊預測
7.1 基于隱馬爾可夫模型在復合式攻擊預測模型
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合式攻擊中的預測
7.2 基于隱馬爾可夫模型的預警系統(tǒng)的建立
7.2.1 系統(tǒng)設計目標
7.2.2 預警系統(tǒng)模型
7.2.3 預警系統(tǒng)的體系結構
7.3 實驗分析
7.3.1 實驗數據介紹
7.3.2 實驗結果及分析
第8章 基于RBF神經網絡的網絡安全態(tài)勢預測
8.1 改進的RBF神經網絡
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