| 中文摘要 | 第3-4页 |
| Abstract | 第4页 |
| 第一章 绪论 | 第8-14页 |
| 1.1 研究背景及意义 | 第8-10页 |
| 1.1.1 网络安全态势 | 第8-9页 |
| 1.1.2 网络安全态势评估模型 | 第9-10页 |
| 1.2 网络安全态势评估国内外研究现状 | 第10-12页 |
| 1.2.1 国外研究现状 | 第11页 |
| 1.2.2 国内研究现状 | 第11-12页 |
| 1.3 论文的研究工作及创新点 | 第12页 |
| 1.3.1 论文的研究工作 | 第12页 |
| 1.3.2 论文的创新点 | 第12页 |
| 1.4 论文的组织结构 | 第12-14页 |
| 第二章 人工鱼群算法与支持向量机 | 第14-22页 |
| 2.1 人工鱼群算法（AFSA） | 第14-19页 |
| 2.2 支持向量机 | 第19-22页 |
| 第三章 支持向量机核函数的选择 | 第22-32页 |
| 3.1 网络安全态势数据 | 第22-24页 |
| 3.2 关于支持向量机实验模型的选取 | 第24-25页 |
| 3.3 关于常用核函数实验效果对比 | 第25-32页 |
| 3.3.1 各种核函数理论基础 | 第25-26页 |
| 3.3.2 Libsvm下的SVM及核函数参数选取 | 第26-27页 |
| 3.3.3 各种核函数实验效果图及实验效率 | 第27-31页 |
| 3.3.4 试验结论 | 第31-32页 |
| 第四章 基于鱼群算法优化支持向量机实验及对比实验 | 第32-42页 |
| 4.1 实验环境与实验相关函数分析 | 第32-33页 |
| 4.2 鱼群算法优化支持向量机寻优模型 | 第33-36页 |
| 4.2.1 鱼群算法优化支持向量机理论基础 | 第33-34页 |
| 4.2.2 鱼群算法优化支持向量机试验结果 | 第34-36页 |
| 4.3 交叉验证法寻优模型 | 第36-39页 |
| 4.4 粒子群优化寻优模型 | 第39-41页 |
| 4.5 本章小结 | 第41-42页 |
| 第五章 基于AFSA_SVM算法的网络安全监控平台及决策系统的实现 | 第42-54页 |
| 5.1 网络安全监控平台及决策系统构架 | 第42-44页 |
| 5.2 网络安全监控平台及决策系统的实现 | 第44-48页 |
| 5.2.1 主要模块设计 | 第44-45页 |
| 5.2.2 核心数据库设计 | 第45-48页 |
| 5.3 监控决策系统的实现 | 第48-53页 |
| 5.3.1 可视化的意义 | 第48-49页 |
| 5.3.2 监控决策系统不同模块的实现 | 第49-53页 |
| 5.4 本章小结 | 第53-54页 |
| 第六章 总结及展望 | 第54-56页 |
| 6.1 本文总结 | 第54页 |
| 6.2 研究工作展望 | 第54-56页 |
| 参考文献 | 第56-59页 |
| 在学期间的研究成果 | 第59-60页 |
| 致谢 | 第60页 |