| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 符号对照表 | 第10-11页 |
| 缩略语对照表 | 第11-14页 |
| 第一章 绪论 | 第14-22页 |
| 1.1 选题背景和意义 | 第14-16页 |
| 1.2 国内外研究现状 | 第16-18页 |
| 1.3 论文的研究内容 | 第18-19页 |
| 1.4 论文的主要工作及创新点 | 第19页 |
| 1.5 论文的组织结构 | 第19-22页 |
| 第二章 课题相关理论及技术基础 | 第22-32页 |
| 2.1 网络安全态势感知 | 第22-25页 |
| 2.1.1 网络安全态势感知起源及概念 | 第22-24页 |
| 2.1.2 网络安全态势感知的应用 | 第24-25页 |
| 2.2 网络安全态势感知中的关键技术 | 第25-32页 |
| 2.2.1 网络安全态势感知的建模 | 第26页 |
| 2.2.2 网络安全态势感知中的数据融合 | 第26-28页 |
| 2.2.3 网络安全态势评估技术 | 第28-29页 |
| 2.2.4 网络安全态势预测技术 | 第29-30页 |
| 2.2.5 网络安全态势感知中的可视化技术 | 第30-32页 |
| 第三章 基于Agent理论的NSSA框架构建 | 第32-46页 |
| 3.1 NSSA建模 | 第32-34页 |
| 3.1.1 Endsley模型的基本概念 | 第32-33页 |
| 3.1.2 层次化的感知模型 | 第33-34页 |
| 3.2 基于Agent理论的NSSA建模 | 第34-42页 |
| 3.2.1 Agent理论的基本概念 | 第34-37页 |
| 3.2.2 基于Multi-Agent理论的NSSA模型 | 第37-42页 |
| 3.2.3 层次化网络感知的数学模型 | 第42页 |
| 3.3 网络安全态势感知的评价指标体系 | 第42-46页 |
| 3.3.1 安全态势的定性评价指标体系 | 第43页 |
| 3.3.2 安全态势的定量评价指标体系 | 第43-44页 |
| 3.3.3 NSSA指标体系的建立 | 第44-46页 |
| 第四章 基于径向基神经网络的多源数据融合 | 第46-64页 |
| 4.1 NSSA中的多源数据融合 | 第46-47页 |
| 4.2 径向基神经网络简介 | 第47-53页 |
| 4.2.1 人工神经网络理论简介 | 第47-48页 |
| 4.2.2 径向基函数神经元模型 | 第48-49页 |
| 4.2.3 径向基函数网络的结构 | 第49-50页 |
| 4.2.4 径向基函数网络的学习过程 | 第50-53页 |
| 4.3 改进的两阶段学习RBF神经网络模型 | 第53-56页 |
| 4.3.1 模糊C-均值聚类 | 第53-55页 |
| 4.3.2 递阶遗传算法 | 第55页 |
| 4.3.3 两阶段学习流程 | 第55-56页 |
| 4.4 基于径向基神经网络的NSSA评估方法 | 第56-57页 |
| 4.5 实验与仿真 | 第57-64页 |
| 4.5.1 多源数据的选取 | 第58页 |
| 4.5.2 RBF神经网络模型构建 | 第58-60页 |
| 4.5.3 RBF神经网络的学习 | 第60-61页 |
| 4.5.4 基于RBF神经网络的NSSA评估 | 第61-64页 |
| 第五章 基于灰色理论的NSSA评估及预测 | 第64-70页 |
| 5.1 灰色系统 | 第64-67页 |
| 5.1.1 灰色系统的基本概念 | 第64页 |
| 5.1.2 GM灰模型 | 第64-65页 |
| 5.1.3 残差修正GM模型 | 第65-67页 |
| 5.1.4 GM模型的适用范围 | 第67页 |
| 5.2 基于灰色理论的NSSA预测 | 第67-68页 |
| 5.2.1 现有网络安全态势预测方法 | 第67页 |
| 5.2.2 基于灰色理论的NSSA预测流程 | 第67-68页 |
| 5.3 实验与仿真 | 第68-70页 |
| 第六章 结论与展望 | 第70-72页 |
| 参考文献 | 第72-74页 |
| 致谢 | 第74-75页 |
| 作者简介 | 第75-76页 |