隨著互聯(lián)網(wǎng)、移動(dòng)互聯(lián)網(wǎng)以及物聯(lián)網(wǎng)的不斷普及,當(dāng)前的網(wǎng)絡(luò)環(huán)境不斷趨于復(fù)雜化。因此網(wǎng)絡(luò)安全威脅的種類、嚴(yán)重性不斷增加,傳統(tǒng)的網(wǎng)絡(luò)安全防護(hù)手段迎來(lái)了巨大的挑戰(zhàn)。而網(wǎng)絡(luò)安全態(tài)勢(shì)感知不僅能夠?qū)Ξ?dāng)前的網(wǎng)絡(luò)環(huán)境的安全狀態(tài)變化形成及時(shí)的監(jiān)測(cè),而且能夠基于收集的網(wǎng)絡(luò)歷史數(shù)據(jù)對(duì)未來(lái)一段時(shí)間內(nèi)的網(wǎng)絡(luò)發(fā)展態(tài)勢(shì)進(jìn)行有效預(yù)測(cè),因此網(wǎng)絡(luò)安全態(tài)勢(shì)感知技術(shù)有很大的研究?jī)r(jià)值。本文對(duì)網(wǎng)絡(luò)安全態(tài)勢(shì)感知技術(shù)中態(tài)勢(shì)評(píng)估和態(tài)勢(shì)預(yù)測(cè)進(jìn)行深入研究,本文的研究?jī)?nèi)容如下:1.分析并結(jié)合真實(shí)網(wǎng)絡(luò)防御數(shù)據(jù)集（CSE-CIC-IDS2018）相關(guān)數(shù)據(jù)內(nèi)容,構(gòu)建網(wǎng)絡(luò)安全態(tài)勢(shì)評(píng)估指標(biāo)體系。該指標(biāo)體系將態(tài)勢(shì)要素從脆弱性、容災(zāi)性、威脅性和穩(wěn)定性四個(gè)方面進(jìn)行劃分,并提出標(biāo)稱型二級(jí)指標(biāo)的量化公式,使得態(tài)勢(shì)要素能從不同的維度綜合衡量網(wǎng)絡(luò)環(huán)境的安全狀態(tài)。2.提出一種基于遺傳算法優(yōu)化改進(jìn)的支持向量機(jī)模型參數(shù)的算法實(shí)現(xiàn)網(wǎng)絡(luò)安全的態(tài)勢(shì)評(píng)估。本文通過(guò)分析線性核函數(shù)與高斯核函數(shù)的特性,實(shí)現(xiàn)一種新的融合核函數(shù),其能夠動(dòng)態(tài)的兼顧全局與局部特征。同時(shí)為了解決傳統(tǒng)支持向量機(jī)算法采用網(wǎng)格搜索方式進(jìn)行參數(shù)尋優(yōu)的效率較低和陷入局部最優(yōu)解的缺點(diǎn),本文采用遺傳算法對(duì)改進(jìn)的支持向量機(jī)算法的... 

【文章來(lái)源】：南京郵電大學(xué)江蘇省

【文章頁(yè)數(shù)】：74 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

移動(dòng)互聯(lián)網(wǎng)接入流量由于人工智能(AI)、區(qū)塊鏈和霧計(jì)算技術(shù)的發(fā)展以及一些科技公司的推進(jìn)，近年來(lái)物聯(lián)網(wǎng)

南京郵電大學(xué)碩士研究生學(xué)位論文第一章緒論6豐富。1.2.2神經(jīng)網(wǎng)絡(luò)在網(wǎng)絡(luò)安全態(tài)勢(shì)感知模型中的應(yīng)用機(jī)器學(xué)習(xí)是一門眾多領(lǐng)域交匯形成的學(xué)科領(lǐng)域，其涉及到概率論、統(tǒng)計(jì)學(xué)、多媒體、圖形學(xué)等許多學(xué)科內(nèi)容，因此各類學(xué)科技術(shù)的研究進(jìn)展都能給機(jī)器學(xué)習(xí)帶來(lái)巨大發(fā)展，同時(shí)機(jī)器學(xué)習(xí)也為許多領(lǐng)域提供了重要的技術(shù)支撐，例如生物信息、金融管理、電氣領(lǐng)域等，因此機(jī)器學(xué)習(xí)是目前最主要的研究熱點(diǎn)之一[31]。機(jī)器學(xué)習(xí)通常按其學(xué)習(xí)的方式可以分為無(wú)監(jiān)督學(xué)習(xí)和有監(jiān)督學(xué)習(xí)這兩大類算法，機(jī)器學(xué)習(xí)的各類別常用算法如下圖1.2所示。圖1.2機(jī)器學(xué)習(xí)分類神經(jīng)網(wǎng)絡(luò)作為機(jī)器學(xué)習(xí)中重要的一個(gè)研究分支，能夠有效的解決各類非線性復(fù)雜化問(wèn)題[32]，其在網(wǎng)絡(luò)安全態(tài)勢(shì)感知模型中也有著眾多的研究與應(yīng)用，以下將介紹神經(jīng)網(wǎng)絡(luò)在態(tài)勢(shì)評(píng)估和預(yù)測(cè)兩方面應(yīng)用的研究現(xiàn)狀。(1)神經(jīng)網(wǎng)絡(luò)在態(tài)勢(shì)評(píng)估中的應(yīng)用目前，神經(jīng)網(wǎng)絡(luò)在態(tài)勢(shì)評(píng)估中應(yīng)用的研究大多處于淺層神經(jīng)網(wǎng)絡(luò)上。其應(yīng)用通常采用BP(errorBackPropagation,誤差逆?zhèn)鞑?神經(jīng)網(wǎng)絡(luò)、模糊神經(jīng)網(wǎng)絡(luò)(FuzzyNeuralNetwork,FNN)等。周顯春等人[33]將態(tài)勢(shì)評(píng)估模型抽象成三層模型，并使用BP神經(jīng)網(wǎng)絡(luò)對(duì)模型進(jìn)行訓(xùn)練使其更加全面、準(zhǔn)確，解決了態(tài)勢(shì)要素與評(píng)估結(jié)果不對(duì)應(yīng)的問(wèn)題。在現(xiàn)有的基于BP神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)安全態(tài)勢(shì)評(píng)估模型的研究基礎(chǔ)上，Dong等人[34]以及Fu等人[35]都提出了改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)態(tài)勢(shì)評(píng)估模型。Dong等人結(jié)合布谷鳥搜索(CuckooSearch,CS)算法對(duì)BP神經(jīng)網(wǎng)絡(luò)的收斂速度慢、容易陷入局部最小值等缺點(diǎn)進(jìn)行了改進(jìn)，并引入動(dòng)量因子和自適應(yīng)學(xué)習(xí)率對(duì)算法進(jìn)行了優(yōu)化，使得模型收斂速度更快，評(píng)估精度更高。Fu等人通過(guò)改進(jìn)的自適應(yīng)遺傳算法優(yōu)

南京郵電大學(xué)碩士研究生學(xué)位論文第二章相關(guān)背景知識(shí)介紹9第二章相關(guān)背景知識(shí)介紹本章節(jié)主要介紹本文中基于神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)安全態(tài)勢(shì)感知系統(tǒng)研究與實(shí)現(xiàn)所涉及到的網(wǎng)絡(luò)安全態(tài)勢(shì)感知相關(guān)技術(shù)理論。首先介紹了網(wǎng)絡(luò)安全態(tài)勢(shì)感知中的Endsley態(tài)勢(shì)感知三層模型，并在該模型的基礎(chǔ)上對(duì)態(tài)勢(shì)要素提娶態(tài)勢(shì)評(píng)估和態(tài)勢(shì)預(yù)測(cè)相關(guān)技術(shù)進(jìn)行展開(kāi)介紹。網(wǎng)絡(luò)安全態(tài)勢(shì)感知概述目前，國(guó)內(nèi)外設(shè)計(jì)的各種網(wǎng)絡(luò)安全態(tài)勢(shì)感知模型大多數(shù)還是基于Endsley態(tài)勢(shì)感知三層模型加以設(shè)計(jì)和改進(jìn)的，Endsley的態(tài)勢(shì)感知三層模型如下圖2.1所示：圖2.1網(wǎng)絡(luò)安全態(tài)勢(shì)感知三層模型(a)態(tài)勢(shì)要素提取層：該層主要在數(shù)據(jù)收集器收集到的各種網(wǎng)絡(luò)數(shù)據(jù)中按定義的態(tài)勢(shì)指標(biāo)體系篩選出相關(guān)態(tài)勢(shì)指標(biāo)，并進(jìn)行一些數(shù)據(jù)預(yù)處理操作，將處理的數(shù)據(jù)提供給后兩層使用。(b)態(tài)勢(shì)理解層：該層又叫做態(tài)勢(shì)評(píng)估層，主要對(duì)上一層獲取的態(tài)勢(shì)要素進(jìn)行綜合分析，建立態(tài)勢(shì)要素與態(tài)勢(shì)值的映射關(guān)系，并結(jié)合網(wǎng)絡(luò)安全等級(jí)評(píng)估劃分表根據(jù)評(píng)估出來(lái)的態(tài)勢(shì)值確定當(dāng)前網(wǎng)絡(luò)環(huán)境的安全等級(jí)。(c)態(tài)勢(shì)預(yù)測(cè)層：該主要結(jié)合態(tài)勢(shì)要素提取層獲取的態(tài)勢(shì)要素以及態(tài)勢(shì)評(píng)估層評(píng)估產(chǎn)生的態(tài)勢(shì)值進(jìn)行時(shí)序預(yù)測(cè)，實(shí)時(shí)判斷出網(wǎng)絡(luò)環(huán)境在未來(lái)一段時(shí)間內(nèi)的發(fā)展趨勢(shì)。本層是整個(gè)態(tài)勢(shì)感知模型的核心與最終目標(biāo)，為網(wǎng)絡(luò)環(huán)境管理人員能快速的進(jìn)行決策提供了保障。網(wǎng)絡(luò)安全態(tài)勢(shì)感知相關(guān)技術(shù)網(wǎng)絡(luò)安全態(tài)勢(shì)感知主要包含態(tài)勢(shì)要素提娶態(tài)勢(shì)評(píng)估以及態(tài)勢(shì)預(yù)測(cè)三個(gè)階段。以上三個(gè)


本文編號(hào)：3306804