| 摘要 | 第1-8页 |
| ABSTRACT | 第8-15页 |
| 第1章 绪论 | 第15-24页 |
| ·研究意义及动态 | 第15-19页 |
| ·网络安全态势研究基本内容 | 第19-21页 |
| ·关于本课题 | 第21页 |
| ·本文的创新性研究结果 | 第21-23页 |
| ·本文的主要内容和文章结构 | 第23-24页 |
| 第2章 网络安全态势的评估方法 | 第24-43页 |
| ·网络安全态势评估的概念 | 第24-25页 |
| ·数据融合 | 第25-27页 |
| ·贝叶斯推理 | 第27-31页 |
| ·推理模型 | 第28-30页 |
| ·在网络安全态势计算中的应用 | 第30-31页 |
| ·D-S 证据理论 | 第31-35页 |
| ·基本概念 | 第31-32页 |
| ·在网络安全态势研究中的应用 | 第32-35页 |
| ·AHP 层次分析 | 第35-41页 |
| ·基本原理 | 第36-40页 |
| ·构造递阶层次结构 | 第40-41页 |
| ·基于AHP 的权值计算模型 | 第41页 |
| ·本章小结 | 第41-43页 |
| 第3章 大规模网络安全态势中AHP 算法的进一步讨论 | 第43-59页 |
| ·大规模网络的特性和带来的问题 | 第43-44页 |
| ·大规模网络安全态势AHP 建模 | 第44-47页 |
| ·计算权值的可行性 | 第47-50页 |
| ·权值的计算分析 | 第50-58页 |
| ·态势数据源的汇聚 | 第52-54页 |
| ·安全态势值的计算过程 | 第54-58页 |
| ·本章小结 | 第58-59页 |
| 第4章 基于神经网络的AHP 态势权重分析 | 第59-75页 |
| ·引言 | 第59-60页 |
| ·神经网络 | 第60-66页 |
| ·神经网络介绍 | 第60页 |
| ·神经元模型和网络结构 | 第60-66页 |
| ·态势权重分析模型 | 第66-73页 |
| ·数学模型算法 | 第66-69页 |
| ·态势训练数据采集 | 第69-70页 |
| ·态势数据仿真 | 第70-73页 |
| ·本章小结 | 第73-75页 |
| 第5章 网络安全态势趋势感知 | 第75-103页 |
| ·引言 | 第75-77页 |
| ·预测控制模型 | 第75-76页 |
| ·态势趋势感知控制原理 | 第76-77页 |
| ·态势趋势感知的建模方法 | 第77-82页 |
| ·正向建模法 | 第77-78页 |
| ·逆向建模法 | 第78-80页 |
| ·模糊推理建模法 | 第80-82页 |
| ·基于模糊推理的预测模型实现 | 第82-94页 |
| ·基于NDF 的态势预测网络构成 | 第82-84页 |
| ·态势预测推理模型的后件分析讨论 | 第84-89页 |
| ·模糊推理仿真实验 | 第89-94页 |
| ·大规模网络全网态势估计与趋势跟踪 | 第94-101页 |
| ·态势预测自适应学习神经元设计 | 第95-98页 |
| ·基于LMS 自适应的态势趋势跟踪算法 | 第98-100页 |
| ·安全态势跟踪适配器的构造 | 第100-101页 |
| ·本章小结 | 第101-103页 |
| 第6章 基于RBF 神经网络态势信息融合评价 | 第103-113页 |
| ·引言 | 第104页 |
| ·径向基函数(RBF) | 第104-106页 |
| ·安全态势信息融合评价估计 | 第106-112页 |
| ·学习过程和层映射 | 第106-107页 |
| ·安全态势感知数据源的训练集的融合权参数学习算法 | 第107-112页 |
| ·本章小结 | 第112-113页 |
| 第7章 基于知识库的网格安全策略元数据映射分析 | 第113-118页 |
| ·引言 | 第114-115页 |
| ·网格节点处安全信息的元数据描述 | 第115-116页 |
| ·安全策略知识空间中知识的唯一性 | 第116-117页 |
| ·本章小结 | 第117-118页 |
| 第8章 结论 | 第118-122页 |
| ·本文主要研究结果和创新点 | 第118-121页 |
| ·进一步研究内容 | 第121-122页 |
| 参考文献 | 第122-133页 |
| 致谢 | 第133-134页 |
| 攻读博士学位期间已发表或录用的论文 | 第134-135页 |