网络安全态势感知中态势要素获取技术的研究
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第11-19页 |
| 1.1 课题研究背景 | 第11-12页 |
| 1.2 课题研究现状 | 第12-15页 |
| 1.2.1 国外研究现状 | 第12-13页 |
| 1.2.2 国内研究现状 | 第13-15页 |
| 1.3 课题研究的内容 | 第15页 |
| 1.4 课题研究的意义 | 第15-16页 |
| 1.5 论文组织结构 | 第16-19页 |
| 第2章 基础知识及关键技术 | 第19-33页 |
| 2.1 态势感知基础知识分析 | 第19-22页 |
| 2.1.1 层次化NSSA模型 | 第19-20页 |
| 2.1.2 NSSA与IDS的比较 | 第20-21页 |
| 2.1.3 态势要素获取技术概述 | 第21-22页 |
| 2.2 属性约简技术介绍 | 第22-25页 |
| 2.2.1 对关系的描述 | 第22页 |
| 2.2.2 Pawlak粗糙集理论 | 第22-23页 |
| 2.2.3 关系信息系统与属性约简 | 第23-24页 |
| 2.2.4 广义粗糙集理论 | 第24-25页 |
| 2.3 人工神经网络 | 第25-30页 |
| 2.3.1 人工神经网络简介 | 第25页 |
| 2.3.2 多层前馈神经网络 | 第25-26页 |
| 2.3.3 感知器与delta法则 | 第26-28页 |
| 2.3.4 BP算法 | 第28-30页 |
| 2.4 遗传算法介绍 | 第30-31页 |
| 2.4.1 生物进化理论 | 第30页 |
| 2.4.2 遗传算法的基本思想 | 第30-31页 |
| 2.5 本章小结 | 第31-33页 |
| 第3章 设计基于知识粒度的属性约简算法 | 第33-47页 |
| 3.1 Pawlak粗糙集的局限性 | 第33-34页 |
| 3.2 广义粗糙集的引入 | 第34-35页 |
| 3.3 基于知识粒度的属性约简 | 第35-42页 |
| 3.3.1 对知识的粒度进行量化 | 第35-37页 |
| 3.3.2 相关性质的证明 | 第37-39页 |
| 3.3.3 对属性重要程度量化 | 第39-40页 |
| 3.3.4 属性约简算法的设计 | 第40-42页 |
| 3.4 属性约简实例分析 | 第42-45页 |
| 3.4.1 诱导相应关系 | 第42-43页 |
| 3.4.2 计算后继邻域 | 第43-44页 |
| 3.4.3 求次优属性子集 | 第44页 |
| 3.4.4 求最优属性子集 | 第44-45页 |
| 3.5 本章小结 | 第45-47页 |
| 第4章 设计用于训练神经网络的遗传算法 | 第47-57页 |
| 4.1 人工神经网络的引入 | 第47-48页 |
| 4.1.1 态势要素获取的本质分析 | 第47页 |
| 4.1.2 神经网络与分类 | 第47-48页 |
| 4.2 BP神经网络存在的问题 | 第48-50页 |
| 4.2.1 BP神经网络 | 第48页 |
| 4.2.2 BP神经网络的缺点 | 第48-49页 |
| 4.2.3 遗传算法优化技术 | 第49-50页 |
| 4.3 遗传算法的设计 | 第50-55页 |
| 4.3.1 算法具体细节 | 第50-54页 |
| 4.3.2 算法主要步骤 | 第54-55页 |
| 4.4 本章小结 | 第55-57页 |
| 第5章 实验过程及结果分析 | 第57-67页 |
| 5.1 实验数据集与实验环境 | 第57-58页 |
| 5.1.1 实验数据集介绍 | 第57-58页 |
| 5.1.2 实验样本及实验环境 | 第58页 |
| 5.2 实验过程及结果分析 | 第58-66页 |
| 5.2.1 数据预处理 | 第58-59页 |
| 5.2.2 对实验数据属性约简 | 第59-61页 |
| 5.2.3 属性约简子集性能分析 | 第61-64页 |
| 5.2.4 自适应遗传算法性能分析 | 第64-66页 |
| 5.3 本章小结 | 第66-67页 |
| 第6章 总结与展望 | 第67-69页 |
| 6.1 总结 | 第67页 |
| 6.2 展望 | 第67-69页 |
| 参考文献 | 第69-73页 |
| 致谢 | 第73页 |
