隨著社會(huì)的發(fā)展,互聯(lián)網(wǎng)的規(guī)模也在不斷增長(zhǎng),網(wǎng)絡(luò)安全問題層出不窮。網(wǎng)絡(luò)攻擊不僅影響普通個(gè)人用戶的網(wǎng)絡(luò)環(huán)境,也嚴(yán)重危害到企業(yè)、政府甚至國(guó)家的網(wǎng)絡(luò)安全。網(wǎng)絡(luò)安全態(tài)勢(shì)評(píng)估從整體出發(fā),將多源異構(gòu)的網(wǎng)絡(luò)安全指標(biāo)有效地融合在一起,全面描述當(dāng)前網(wǎng)絡(luò)環(huán)境,為網(wǎng)絡(luò)管理決策者提供更為直觀的網(wǎng)絡(luò)安全概況。本文將深度學(xué)習(xí)應(yīng)用到態(tài)勢(shì)評(píng)估領(lǐng)域,采用一維卷積神經(jīng)網(wǎng)絡(luò)（1DCNN）提取態(tài)勢(shì)特征,提出了多通道態(tài)勢(shì)評(píng)估、態(tài)勢(shì)特征自適應(yīng)加權(quán)融合、多模型集成的態(tài)勢(shì)評(píng)估新思路,具體工作如下:（1）針對(duì)當(dāng)前網(wǎng)絡(luò)安全態(tài)勢(shì)評(píng)估領(lǐng)域中暫無統(tǒng)一數(shù)據(jù)集的問題,本文通過國(guó)家互聯(lián)網(wǎng)應(yīng)急中心（CNCERT）公開的網(wǎng)絡(luò)安全信息與動(dòng)態(tài)周報(bào)制作網(wǎng)絡(luò)安全態(tài)勢(shì)數(shù)據(jù)集。針對(duì)數(shù)據(jù)集中存在指標(biāo)缺失和樣本較少且輕微不平衡的問題,本文分別使用基于KNN的插補(bǔ)算法和Kmeans-SMOTE算法完善數(shù)據(jù)集;（2）針對(duì)傳統(tǒng)網(wǎng)絡(luò)安全態(tài)勢(shì)評(píng)估人工干預(yù)多、機(jī)器學(xué)習(xí)方法往往忽略態(tài)勢(shì)指標(biāo)之間隱含關(guān)聯(lián)等問題,本文提出基于深度學(xué)習(xí)和多通道機(jī)制的態(tài)勢(shì)評(píng)估模型——MC-1DCNN（Multi Channel 1DCNN）。1DCNN的局部感知原理可利用態(tài)勢(shì)指標(biāo)位置信息,更好地學(xué)習(xí)相鄰態(tài)勢(shì)指... 

【文章頁數(shù)】：75 頁

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
abstract
第一章 緒論
    1.1 研究工作的背景與意義
    1.2 國(guó)內(nèi)外研究現(xiàn)狀
        1.2.1 國(guó)外研究現(xiàn)狀
        1.2.2 國(guó)內(nèi)研究現(xiàn)狀
    1.3 本文主要研究?jī)?nèi)容
    1.4 本論文的結(jié)構(gòu)安排
第二章 網(wǎng)絡(luò)安全態(tài)勢(shì)評(píng)估相關(guān)理論和技術(shù)
    2.1 網(wǎng)絡(luò)安全態(tài)勢(shì)感知概述
    2.2 網(wǎng)絡(luò)安全態(tài)勢(shì)評(píng)估相關(guān)方法
        2.2.1 基于數(shù)學(xué)模型的方法
        2.2.2 基于知識(shí)推理的方法
        2.2.3 基于模式識(shí)別的方法
        2.2.4 三種評(píng)估方法的優(yōu)缺點(diǎn)
    2.3 卷積神經(jīng)網(wǎng)絡(luò)
    2.4 態(tài)勢(shì)評(píng)估評(píng)價(jià)指標(biāo)
    2.5 本章小結(jié)
第三章 MC-1DCNN模型的結(jié)構(gòu)與性能
    3.1 CNCERT及網(wǎng)絡(luò)安全態(tài)勢(shì)數(shù)據(jù)集
    3.2 基于1DCNN的態(tài)勢(shì)特征提取
    3.3 基于多通道機(jī)制的態(tài)勢(shì)評(píng)估
        3.3.1 態(tài)勢(shì)指標(biāo)分類
        3.3.2 多通道特征提取與融合
    3.4 MC-1DCNN態(tài)勢(shì)評(píng)估模型
    3.5 實(shí)驗(yàn)與結(jié)果分析
        3.5.1 實(shí)驗(yàn)環(huán)境設(shè)置
        3.5.2 基于1DCNN的態(tài)勢(shì)評(píng)估性能分析
        3.5.3 MC-1DCNN模型性能分析
        3.5.4 與其他模型對(duì)比分析
    3.6 本章小結(jié)
第四章 MC-1DCNN模型的進(jìn)一步優(yōu)化方法
    4.1 MC-1DCNN模型優(yōu)化方法分析
    4.2 基于特征自適應(yīng)加權(quán)融合的MC-1DCNN模型
    4.3 基于集成學(xué)習(xí)的MC-1DCNN模型
        4.3.1 集成學(xué)習(xí)機(jī)制
        4.3.2 基于加權(quán)bagging集成的MC-1DCNN模型
    4.4 實(shí)驗(yàn)與結(jié)果分析
        4.4.1 實(shí)驗(yàn)環(huán)境設(shè)置
        4.4.2 特征自適應(yīng)加權(quán)融合性能分析
        4.4.3 加權(quán)bagging集成性能分析
    4.5 本章小結(jié)
第五章 全文總結(jié)與展望
    5.1 全文總結(jié)
    5.2 后續(xù)工作展望
致謝
參考文獻(xiàn)
攻讀碩士學(xué)位期間取得的成果



本文編號(hào)：3701650