網(wǎng)絡(luò)安全態(tài)勢(shì)評(píng)估技術(shù)對(duì)于提升網(wǎng)絡(luò)的監(jiān)控能力、調(diào)度能力和預(yù)測(cè)安全趨勢(shì)的發(fā)展具有指導(dǎo)意義,它要求從宏觀的層面上綜合多方面信息來(lái)判斷網(wǎng)絡(luò)系統(tǒng)的安全狀態(tài),重點(diǎn)在于對(duì)大規(guī)模網(wǎng)絡(luò)中潛在的或已經(jīng)出現(xiàn)的異常做出及時(shí)有效地監(jiān)測(cè),并做出符合實(shí)際情況的態(tài)勢(shì)描述。網(wǎng)絡(luò)態(tài)勢(shì)評(píng)估的核心技術(shù)是利用數(shù)據(jù)挖掘或者機(jī)器學(xué)習(xí)算法等方法,融合網(wǎng)絡(luò)系統(tǒng)中產(chǎn)生的多源異構(gòu)數(shù)據(jù),將其量化成為安全態(tài)勢(shì)。借助網(wǎng)絡(luò)安全態(tài)勢(shì)可以對(duì)網(wǎng)絡(luò)系統(tǒng)中出現(xiàn)的風(fēng)險(xiǎn)及時(shí)做出響應(yīng),從而減少不必要的損失。然而,現(xiàn)有的網(wǎng)絡(luò)安全態(tài)勢(shì)評(píng)估技術(shù)獲得的態(tài)勢(shì)值與實(shí)際情況有一定差異,并且通常只給出了網(wǎng)絡(luò)系統(tǒng)在較短時(shí)間內(nèi)的總體態(tài)勢(shì),表示方法較為籠統(tǒng),不利于網(wǎng)絡(luò)管理人員及時(shí)對(duì)網(wǎng)絡(luò)系統(tǒng)異常情況進(jìn)行排查和策略調(diào)度。針對(duì)上述問(wèn)題,在對(duì)國(guó)內(nèi)外相關(guān)論文研究的基礎(chǔ)之上,本文提出了基于時(shí)間維層次化的網(wǎng)絡(luò)安全態(tài)勢(shì)評(píng)估模型,圍繞其中關(guān)鍵模塊取得以下幾個(gè)方面研究成果:(1)根據(jù)網(wǎng)絡(luò)異常數(shù)據(jù)的非均衡性和難以識(shí)別新異常類型的特點(diǎn),本文提出了主動(dòng)學(xué)習(xí)的非均衡異常數(shù)據(jù)分類算法作為異常檢測(cè)模塊,該算法從采樣方法和算法策略兩個(gè)層面進(jìn)行改進(jìn)。主動(dòng)學(xué)習(xí)的采樣方法提高了新類型樣本的識(shí)別率,并結(jié)合改進(jìn)后的分類算法,減...

【文章頁(yè)數(shù)】：60 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
abstract
第一章 緒論
    1.1 論文研究的背景與意義
    1.2 國(guó)內(nèi)外研究現(xiàn)狀
    1.3 論文主要內(nèi)容
    1.4 論文章節(jié)結(jié)構(gòu)
第二章 相關(guān)理論及關(guān)鍵技術(shù)
    2.1 網(wǎng)絡(luò)安全態(tài)勢(shì)感知經(jīng)典模型
    2.2 基于時(shí)間維層次化的網(wǎng)絡(luò)安全態(tài)勢(shì)評(píng)估模型提出
    2.3 數(shù)據(jù)分類技術(shù)
        2.3.1 經(jīng)典分類算法
        2.3.2 非均衡分類算法
    2.4 數(shù)據(jù)融合技術(shù)
        2.4.1 數(shù)據(jù)融合的概念
        2.4.2 數(shù)據(jù)融合的過(guò)程
        2.4.3 融合方法模型
        2.4.4 數(shù)據(jù)融合層次結(jié)構(gòu)
    2.5 本章小結(jié)
第三章 主動(dòng)學(xué)習(xí)的非均衡異常數(shù)據(jù)分類算法研究
    3.1 非均衡數(shù)據(jù)分類算法相關(guān)研究
    3.2 基于主動(dòng)學(xué)習(xí)的采樣方法
        3.2.1 主動(dòng)學(xué)習(xí)采樣流程
        3.2.2 查詢函數(shù)Q
    3.3 基于組合分類算法的改進(jìn)
        3.3.1 非均衡數(shù)據(jù)分類算法總體流程
        3.3.2 組合分類算法
        3.3.3 誤分類代價(jià)函數(shù)
    3.4 實(shí)驗(yàn)結(jié)果及分析
        3.4.1 數(shù)據(jù)集劃分及特征選擇
        3.4.2 算法性能對(duì)比
        3.4.3 采樣方式性能對(duì)比
        3.4.4 結(jié)果分析
    3.5 本章小結(jié)
第四章 基于改進(jìn)TBM模型的層次化網(wǎng)絡(luò)態(tài)勢(shì)評(píng)估方法
    4.1 基于改進(jìn)TBM模型的層次化網(wǎng)絡(luò)態(tài)勢(shì)評(píng)估
        4.1.1 TBM模型評(píng)估方法
        4.1.2 粒子群優(yōu)化的T-S模糊徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)
        4.1.3 基于改進(jìn)TBM模型的網(wǎng)絡(luò)態(tài)勢(shì)評(píng)估方法
    4.2 基于改進(jìn)TBM模型的層次化網(wǎng)絡(luò)態(tài)勢(shì)評(píng)估過(guò)程
        4.2.1 數(shù)據(jù)采集
        4.2.2 構(gòu)造BBA
        4.2.3 態(tài)勢(shì)評(píng)估
    4.3 仿真實(shí)驗(yàn)
    4.4 本章小結(jié)
第五章 基于短長(zhǎng)周期結(jié)合的網(wǎng)絡(luò)安全態(tài)勢(shì)評(píng)估
    5.1 短長(zhǎng)周期劃分
    5.2 指標(biāo)動(dòng)靜態(tài)因素劃分
    5.3 熵值法確定權(quán)重
        5.3.1 權(quán)重選擇方法
        5.3.2 熵值法基本步驟
        5.3.3 熵值法改進(jìn)
    5.4 實(shí)驗(yàn)仿真
        5.4.1 短周期態(tài)勢(shì)值計(jì)算
        5.4.2 長(zhǎng)周期態(tài)勢(shì)值計(jì)算
    5.5 本章總結(jié)
第六章 總結(jié)與展望
    6.1 本文研究工作總結(jié)
    6.2 工作展望
參考文獻(xiàn)
發(fā)表論文和科研情況說(shuō)明
致謝



本文編號(hào)：3824247