本文關(guān)鍵詞：網(wǎng)絡(luò)安全態(tài)勢分析與預(yù)測方法研究，由筆耕文化傳播整理發(fā)布。

【摘要】：當前網(wǎng)絡(luò)結(jié)構(gòu)愈加復(fù)雜,網(wǎng)絡(luò)攻擊類型變化多樣。如何全面展示網(wǎng)絡(luò)安全狀態(tài),及時準確地預(yù)測網(wǎng)絡(luò)安全態(tài)勢,是當前網(wǎng)絡(luò)安全防護面臨的重要問題。網(wǎng)絡(luò)安全態(tài)勢感知作為一項新的技術(shù),更加關(guān)注全面的網(wǎng)絡(luò)安全狀況及其發(fā)展趨勢,能夠?qū)W(wǎng)絡(luò)安全狀態(tài)進行有效的評估,把網(wǎng)絡(luò)安全風險和損失降到最低。 網(wǎng)絡(luò)安全態(tài)勢感知過程中有3個關(guān)鍵技術(shù)：數(shù)據(jù)挖掘、態(tài)勢評估和態(tài)勢預(yù)測。在數(shù)據(jù)挖掘階段,要求能夠全面、快速、準確地挖掘出網(wǎng)絡(luò)威脅事件；態(tài)勢評估則力求實現(xiàn)對網(wǎng)絡(luò)安全態(tài)勢進行更加客觀有效的評價；態(tài)勢預(yù)測注重預(yù)測的準確性,能夠讓網(wǎng)絡(luò)管理員基于預(yù)測結(jié)果對網(wǎng)絡(luò)安全采取有效的保護措施。基于這樣的要求,本文分別對這3個關(guān)鍵技術(shù)進行了研究,并作出如下工作。 本文提出基于Rough set的C4.5分類算法。在眾多數(shù)據(jù)挖掘算法中,C4.5決策樹分類算法的算法精度高、分類速度快,但是在建立決策樹過程中需要對數(shù)據(jù)集進行多次掃描,而數(shù)據(jù)集的大小直接影響了決策樹的建立效率。利用Rough set理論在分類前對數(shù)據(jù)集屬性進行篩選,去除與決策屬性無關(guān)的數(shù)據(jù)屬性,提高了決策樹建立效率；以屬性間相關(guān)度干涉決策樹剪枝過程,直接從與決策屬性相關(guān)度小于一定閾值的節(jié)點開始進行剪枝判斷,提高了算法效率,使得決策樹得到精簡,進而實現(xiàn)更高效的分類。 在態(tài)勢評估階段,本文引入熵的概念,以持續(xù)時間的長短作為評價指標,常見的22種攻擊作為評價對象,得到不同攻擊時間長度下的安全態(tài)勢權(quán)重,從而避免了人為指定帶來的主觀性；同時在安全量化評估階段還考慮了攻擊威脅度、系統(tǒng)脆弱性、攻擊包數(shù)量,對網(wǎng)絡(luò)安全態(tài)勢的描述實現(xiàn)了較為全面的評價。 在預(yù)測過程中,本文采用模糊馬爾科夫鏈對量化過程中得到的安全態(tài)勢進行預(yù)測,以狀態(tài)間的模糊關(guān)系合成作為基礎(chǔ)構(gòu)建馬爾科夫轉(zhuǎn)移矩陣。隸屬函數(shù)的選取極大程度地影響了預(yù)測的結(jié)果,本文在預(yù)測過程中的創(chuàng)新點在于在模糊隸屬函數(shù)確定階段引入遺傳算法,以找到最合適的模糊隸屬函數(shù),實現(xiàn)更準確的預(yù)測。 論文的最后通過仿真對提出的算法進行了分析。仿真以KDD99為數(shù)據(jù)源。結(jié)果顯示基于Rough set的C4.5分類算法能夠在不影響分類精度的前提下大大提升算法效率。態(tài)勢評估結(jié)果很好地表達了“越危險的網(wǎng)絡(luò)實體,其安全態(tài)勢值越高”。模糊馬爾科夫模型能夠很好地實現(xiàn)安全狀態(tài)預(yù)測,基于預(yù)測結(jié)果對系統(tǒng)實施保護,能夠?qū)⒕W(wǎng)絡(luò)安全維持在一個穩(wěn)定的狀態(tài)。
【關(guān)鍵詞】：網(wǎng)絡(luò)安全態(tài)勢感知 C4.5 Rough set 熵理論 模糊函數(shù) 馬爾科夫模型 遺傳算法
【學位授予單位】：北京交通大學
【學位級別】：碩士
【學位授予年份】：2015
【分類號】：TP393.08
【目錄】：

• 致謝5-6
• 摘要6-7
• ABSTRACT7-11
• 1 引言11-19
• 1.1 論文背景及意義11-12
• 1.2 國內(nèi)外研究現(xiàn)狀12-16
• 1.2.1 網(wǎng)絡(luò)安全態(tài)勢感知技術(shù)研究現(xiàn)狀12-13
• 1.2.2 網(wǎng)絡(luò)安全態(tài)勢感知關(guān)鍵技術(shù)研究現(xiàn)狀13-16
• 1.3 本文主要內(nèi)容及結(jié)構(gòu)16-19
• 1.3.1 主要內(nèi)容16-17
• 1.3.2 本文組織結(jié)構(gòu)17-19
• 2 網(wǎng)絡(luò)安全態(tài)勢感知及其相關(guān)技術(shù)19-31
• 2.1 網(wǎng)絡(luò)安全態(tài)勢感知19-20
• 2.2 幾種數(shù)據(jù)挖掘技術(shù)20-25
• 2.2.1 樸素貝葉斯分類模型20-21
• 2.2.2 粗糙集分類模型21-23
• 2.2.3 決策樹分類算法23-24
• 2.2.4 遺傳算法24-25
• 2.3 態(tài)勢評估技術(shù)25-27
• 2.3.1 分層感知技術(shù)25-26
• 2.3.2 綜合威脅量化技術(shù)26-27
• 2.4 態(tài)勢預(yù)測方法27-29
• 2.4.1 馬爾科夫預(yù)測模型28
• 2.4.2 模糊理論28-29
• 2.5 本章小結(jié)29-31
• 3 網(wǎng)絡(luò)安全態(tài)勢分析及預(yù)測方法設(shè)計31-45
• 3.1 網(wǎng)絡(luò)安全態(tài)勢評估框架31-32
• 3.2 基于Rough set的C4.5分類算法32-36
• 3.2.1 C4.5分類算法32-35
• 3.2.2 基于Rough set的C4.5算法改進35-36
• 3.3 態(tài)勢量化評估方法36-40
• 3.3.1 攻擊威脅值的量化37-38
• 3.3.2 基于熵的安全態(tài)勢權(quán)重ω計算38-39
• 3.3.3 安全態(tài)勢量化評估39-40
• 3.4 基于遺傳算法的模糊馬爾科夫預(yù)測模型40-43
• 3.4.1 模糊馬爾科夫鏈預(yù)測模型的建立41
• 3.4.2 基于遺傳算法的模糊隸屬函數(shù)選取41-43
• 3.5 本章小結(jié)43-45
• 4 仿真與結(jié)果討論45-57
• 4.1 基于Rough set的C4.5分類算法仿真45-52
• 4.1.1 KDD99數(shù)據(jù)集處理45-47
• 4.1.2 基于Rough set的數(shù)據(jù)預(yù)處理47-49
• 4.1.3 分類訓(xùn)練仿真49-52
• 4.2 安全態(tài)勢評估與預(yù)測方法仿真52-56
• 4.2.1 安全態(tài)勢權(quán)重計算52-53
• 4.2.2 基于遺傳算法的模糊馬爾科夫預(yù)測仿真53-56
• 4.3 本章小結(jié)56-57
• 5 結(jié)論57-59
• 參考文獻59-62
• 作者簡歷及攻讀碩士學位期間取得的研究成果62-64
• 學位論文數(shù)據(jù)集64

【參考文獻】

中國期刊全文數(shù)據(jù)庫 前6條

1 王慧強;;網(wǎng)絡(luò)安全態(tài)勢感知研究新進展[J];大慶師范學院學報;2010年03期

2 胡華平,張怡,陳海濤,宣蕾,孫鵬;面向大規(guī)模網(wǎng)絡(luò)的入侵檢測與預(yù)警系統(tǒng)研究[J];國防科技大學學報;2003年01期

3 韋勇;連一峰;馮登國;;基于信息融合的網(wǎng)絡(luò)安全態(tài)勢評估模型[J];計算機研究與發(fā)展;2009年03期

4 任偉;蔣興浩;孫錟鋒;;基于RBF神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)安全態(tài)勢預(yù)測方法[J];計算機工程與應(yīng)用;2006年31期

5 賴積保;王慧強;劉效武;梁穎;鄭瑞娟;趙國生;;WNN-Based Network Security Situation Quantitative Prediction Method and Its Optimization[J];Journal of Computer Science & Technology;2008年02期

6 李穎;;NSSA中網(wǎng)絡(luò)安全態(tài)勢預(yù)測研究[J];技術(shù)與市場;2010年12期

  本文關(guān)鍵詞：網(wǎng)絡(luò)安全態(tài)勢分析與預(yù)測方法研究，，由筆耕文化傳播整理發(fā)布。

本文編號：371999