將工業(yè)控制網(wǎng)絡接入互聯(lián)網(wǎng)不僅可以大幅提高工作人員的工作效率,還可以將生產數(shù)據(jù)進行統(tǒng)計歸納,從而更好的對工業(yè)控制系統(tǒng)進行了解和控制,形成良性循環(huán)。但將原本不接入互聯(lián)網(wǎng)的、對網(wǎng)絡安全防范很低的工業(yè)控制網(wǎng)絡接入互聯(lián)網(wǎng),會導致黑客可以通過互聯(lián)網(wǎng)直接對工業(yè)控制網(wǎng)絡進行攻擊,因此,使用態(tài)勢感知技術來保障工業(yè)控制網(wǎng)絡安全是一種可行的方法。通過態(tài)勢感知技術,系統(tǒng)可以對當前工業(yè)控制網(wǎng)絡的狀態(tài)進行的判斷,并提供給安全人員一個可靠的數(shù)據(jù)來對工業(yè)控制網(wǎng)絡的安全情況進行預測。為此,利用人工神經(jīng)網(wǎng)絡算法對態(tài)勢感知過程中的兩個關鍵步驟:態(tài)勢理解和態(tài)勢預測進行了研究,具體工作如下:針對工業(yè)控制網(wǎng)絡安全的態(tài)勢理解,研究了一種基于卷積神經(jīng)網(wǎng)絡和雙向長短期記憶網(wǎng)絡混合模型的工業(yè)控制系統(tǒng)ARP（Address Resolution Protocol）攻擊入侵檢測方法:先利用卷積神經(jīng)網(wǎng)絡提取數(shù)據(jù)特征,然后使用雙向長短期記憶網(wǎng)絡根據(jù)被攻擊時網(wǎng)絡中ARP報文的時序特征來檢測網(wǎng)絡中是否發(fā)生了ARP攻擊,最后使用全連接網(wǎng)絡和softmax函數(shù)將檢測結果進行輸出。利用此入侵檢測方法可以更加快速、準確的檢測出工業(yè)控制系統(tǒng)中是否受到ARP攻... 

【文章來源】：長春工業(yè)大學吉林省

【文章頁數(shù)】：58 頁

【學位級別】：碩士

【文章目錄】：
摘要
ABSTRACT
第1章 緒論
    1.1 課題背景及研究的目的和意義
    1.2 網(wǎng)絡安全態(tài)勢感知技術的國內外研究現(xiàn)狀
        1.2.1 網(wǎng)絡安全態(tài)勢感知技術國外研究現(xiàn)狀
        1.2.2 網(wǎng)絡安全態(tài)勢感知技術國內研究現(xiàn)狀
    1.3 本文主要貢獻與創(chuàng)新
    1.4 本文組織結構
第2章 網(wǎng)絡安全態(tài)勢感知
    2.1 網(wǎng)絡安全態(tài)勢感知的定義
    2.2 網(wǎng)絡安全態(tài)勢感知參考模型
        2.2.1 Endsley概念模型
        2.2.2 JDL態(tài)勢感知模型
        2.2.3 Bass的功能模型
    2.3 網(wǎng)絡安全態(tài)勢提取
        2.3.1 網(wǎng)絡安全數(shù)據(jù)采集計劃
        2.3.2 網(wǎng)絡安全數(shù)據(jù)預處理
    2.4 網(wǎng)絡安全態(tài)勢理解
        2.4.1 入侵檢測通用模型
        2.4.2 入侵檢測的分析方法
    2.5 網(wǎng)絡安全態(tài)勢預測
        2.5.1 人工神經(jīng)網(wǎng)絡概述
        2.5.2 BP神經(jīng)網(wǎng)絡的結構和學習原理
    2.6 本章小結
第3章 一種基于 CNN-BILSTM 的工業(yè)控制系統(tǒng) ARP攻擊入侵檢測方法
    3.1 ARP攻擊原理
        3.1.1 ARP協(xié)議
        3.1.2 ARP攻擊過程
    3.2 構建神經(jīng)網(wǎng)絡模型
        3.2.1 問題描述
        3.2.2 CNN-BILSTM混合模型
    3.3 檢測環(huán)境及檢測結果
        3.3.1 檢測環(huán)境
        3.3.2 檢測結果
    3.4 本章小結
第4章 基于AHP-BP的工業(yè)控制系統(tǒng)風險評估方法
    4.1 工業(yè)控制系統(tǒng)風險評估指標體系構建
    4.2 BP神經(jīng)網(wǎng)絡模型構建及應用實例
    4.3 本章小結
第5章 結論
    5.1 論文總結
    5.2 論文展望
致謝
參考文獻
作者簡介
攻讀碩士學位期間研究成果


【參考文獻】：
期刊論文
[1]基于深度學習的出行模式識別方法[J]. 郭茂祖,王鵬躍,趙玲玲.  哈爾濱工業(yè)大學學報. 2019(11)
[2]基于神經(jīng)網(wǎng)絡的遙感圖像語義分割方法[J]. 王恩德,齊凱,李學鵬,彭良玉.  光學學報. 2019(12)
[3]工業(yè)控制系統(tǒng)的漏洞風險評估方法[J]. 顧兆軍,彭輝.  現(xiàn)代電子技術. 2019(14)
[4]面向中文文本傾向性分類的對抗樣本生成方法[J]. 王文琦,汪潤,王麗娜,唐奔宵.  軟件學報. 2019(08)
[5]混合深度卷積神經(jīng)網(wǎng)絡對人臉年齡的分類[J]. 陳莉明,鄧德祥.  華中科技大學學報(自然科學版). 2019(03)
[6]基于卷積神經(jīng)網(wǎng)絡的多OAM態(tài)識別方法[J]. 尹霄麗,郭翊麟,崔小舟,常歡,陳小政.  北京郵電大學學報. 2019(01)
[7]網(wǎng)絡安全態(tài)勢感知關鍵技術研究及發(fā)展趨勢分析[J]. 陶源,黃濤,張墨涵,黎水林.  信息網(wǎng)絡安全. 2018(08)
[8]基于LSTM的大規(guī)模知識庫自動問答[J]. 周博通,孫承杰,林磊,劉秉權.  北京大學學報(自然科學版). 2018(02)
[9]采用長短時記憶網(wǎng)絡的低資源語音識別方法[J]. 舒帆,屈丹,張文林,周利莉,郭武.  西安交通大學學報. 2017(10)
[10]卷積神經(jīng)網(wǎng)絡研究綜述[J]. 周飛燕,金林鵬,董軍.  計算機學報. 2017(06)

碩士論文
[1]入侵攻擊下電力信息網(wǎng)絡安全態(tài)勢感知研究[D]. 陳德成.南京郵電大學 2019
[2]基于數(shù)據(jù)挖掘的網(wǎng)絡安全態(tài)勢感知研究[D]. 葉青.南京郵電大學 2019
[3]基于神經(jīng)網(wǎng)絡的網(wǎng)絡安全態(tài)勢評估與預測方法研究[D]. 朱晨飛.中國人民公安大學 2019
[4]基于神經(jīng)網(wǎng)絡的網(wǎng)絡安全態(tài)勢感知系統(tǒng)的設計與實現(xiàn)[D]. 于恬.北京郵電大學 2019
[5]基于模糊神經(jīng)網(wǎng)絡的網(wǎng)絡運行態(tài)勢感知關鍵技術研究[D]. 付鐘楊.電子科技大學 2019



本文編號：3201125