首页--工业技术论文--自动化技术、计算机技术论文--计算技术、计算机技术论文--计算机的应用论文--计算机网络论文--一般性问题论文

泛在网络安全事件描述与风险分析

摘要第3-4页
Abstract第4-5页
1 绪论第9-19页
    1.1 研究背景与意义第9-10页
    1.2 国内外研究现状第10-16页
        1.2.1 泛在网络研究现状第10-13页
        1.2.2 安全事件描述研究现状第13-14页
        1.2.3 安全风险分析研究现状第14-16页
    1.3 项目来源与论文主要研究内容第16-17页
    1.4 论文组织结构第17-18页
    1.5 本章小结第18-19页
2 安全风险分析理论第19-31页
    2.1 安全风险评估研究第19-28页
        2.1.1 安全风险评估模型第20-22页
        2.1.2 安全风险评估标准第22-24页
        2.1.3 安全风险评估方法第24-28页
    2.2 泛在网络安全事件描述与风险分析实施框架第28-29页
    2.3 本章小结第29-31页
3 基于COOPN的泛在网络安全事件描述方法第31-48页
    3.1 CORAS框架第31-33页
        3.1.1 CORAS内容第31-33页
        3.1.2 基于组件的CORAS第33页
    3.2 Petri-net理论第33-34页
        3.2.1 Petri-net定义第33-34页
        3.2.2 面向对象的Petri-net第34页
    3.3 COOPN建模方法第34-37页
        3.3.1 COOPN内容第34-35页
        3.3.2 COOPN定义第35-36页
        3.3.3 COOPN建模步骤第36-37页
    3.4 相关技术背景第37-40页
        3.4.1 仿真系统第37-38页
        3.4.2 拓扑构建方式第38页
        3.4.3 流数据获取方式第38页
        3.4.4 风险计算方式第38-40页
    3.5 COOPN建模实例验证第40-47页
        3.5.1 仿真实验场景第40-41页
        3.5.2 COOPN建模第41-44页
        3.5.3 COOPN方法分析第44-47页
    3.6 本章小结第47-48页
4 基于PSO-SVM的安全风险定量分析方法第48-59页
    4.1 SVM理论第48-53页
        4.1.1 SVM定义第48-50页
        4.1.2 核函数的引入第50-52页
        4.1.3 松弛变量和惩罚参数的引入第52页
        4.1.4 多分类问题第52-53页
    4.2 利用PSO算法对DT-SVM改进第53-54页
        4.2.1 PSO算法第53页
        4.2.2 改进后的DT-SVM构造算法第53-54页
    4.3 定量分析实验第54-58页
        4.3.1 数据预处理第54页
        4.3.2 实验结果分析第54-56页
        4.3.3 风险计算第56-58页
    4.4 本章小结第58-59页
5 基于群决策FAHP的安全风险定性分析方法第59-71页
    5.1 FAHP理论第59-63页
        5.1.1 AHP模型第59-61页
        5.1.2 FAHP模型第61-63页
    5.2 利用群决策算法对FAHP改进第63-66页
        5.2.1 群决策算法第63-64页
        5.2.2 改进后的FAHP第64-66页
    5.3 定性分析实验第66-70页
        5.3.1 建立层次结构模型第66-67页
        5.3.2 构造模糊一致判断矩阵第67-68页
        5.3.3 权值计算第68页
        5.3.4 风险计算第68-70页
    5.4 本章小结第70-71页
6 泛在网络安全事件描述与风险分析工具的设计与实现第71-81页
    6.1 具设计第71-72页
    6.2 系统中模块的设计与实现第72-75页
        6.2.1 安全数据采集模块第73-74页
        6.2.2 安全事件描述模块第74页
        6.2.3 安全风险分析模块第74-75页
        6.2.4 结果输出模块第75页
    6.3 具仿真分析第75-80页
        6.3.1 仿真分析对象第75-76页
        6.3.2 仿真分析步骤第76-77页
        6.3.3 具分析过程第77-80页
    6.4 本章小结第80-81页
7 总结与展望第81-83页
    7.1 研究总结第81页
    7.2 论文的创新点第81-82页
    7.3 未来展望第82-83页
致谢第83-84页
参考文献第84-89页
附录第89页

论文共89页,点击 下载论文
上一篇:基于LBP采样学习的人脸描述符
下一篇:SD-OCT视网膜图像神经纤维层的检测与研究