| 摘要 | 第3-5页 |
| abstract | 第5-7页 |
| 主要符号对照表 | 第10-11页 |
| 第1章 绪论 | 第11-25页 |
| 1.1 研究的背景与意义 | 第11-13页 |
| 1.1.1 选题的背景 | 第11-12页 |
| 1.1.2 研究的意义 | 第12-13页 |
| 1.2 国内外研究的现状 | 第13-20页 |
| 1.2.1 网络大数据 | 第13-15页 |
| 1.2.2 网络流量的分类 | 第15-17页 |
| 1.2.3 网络安全态势感知 | 第17-20页 |
| 1.3 本文的主要工作 | 第20-21页 |
| 1.4 论文的组织结构 | 第21-22页 |
| 1.5 本章小结 | 第22-25页 |
| 第2章 基于大数据和神经网络的网络安全态势感知模型 | 第25-44页 |
| 2.1 模型结构 | 第26-30页 |
| 2.1.1 态势觉察 | 第28页 |
| 2.1.2 态势理解 | 第28-29页 |
| 2.1.3 态势投射 | 第29-30页 |
| 2.2 相关算法 | 第30-35页 |
| 2.2.1 数据清洗模块 | 第30-31页 |
| 2.2.2 数据分析模块 | 第31-33页 |
| 2.2.3 决策融合模块 | 第33-35页 |
| 2.3 实验结果与分析 | 第35-42页 |
| 2.3.1 实验环境 | 第35-37页 |
| 2.3.2 结果分析 | 第37-42页 |
| 2.4 本章小结 | 第42-44页 |
| 第3章 基于大数据的森林和星型网络安全态势感知模型 | 第44-58页 |
| 3.1 相关算法 | 第44-47页 |
| 3.1.1 随机森林算法 | 第45-46页 |
| 3.1.2 朴素贝叶斯算法 | 第46-47页 |
| 3.2 基于随机森林的模型结构 | 第47-49页 |
| 3.2.1 树型结构 | 第48-49页 |
| 3.3 基于星型的模型结构 | 第49-51页 |
| 3.3.1 外围部分 | 第49-50页 |
| 3.3.2 核心部分 | 第50-51页 |
| 3.4 实验结果与分析 | 第51-56页 |
| 3.4.1 检测率对比实验 | 第52-53页 |
| 3.4.2 检测率和误检率对比实验 | 第53-54页 |
| 3.4.3 加速比和规模比的对比实验 | 第54-56页 |
| 3.5 本章小结 | 第56-58页 |
| 第4章 基于大数据的自适应网络安全态势感知模型 | 第58-76页 |
| 4.1 模型结构 | 第58-64页 |
| 4.1.1 离线模块 | 第60-61页 |
| 4.1.2 在线模块 | 第61-63页 |
| 4.1.3 数据流模块 | 第63-64页 |
| 4.2 相关算法 | 第64-67页 |
| 4.2.1 关联分析算法 | 第64-65页 |
| 4.2.2 动态时间规整算法 | 第65-67页 |
| 4.3 实验结果与分析 | 第67-74页 |
| 4.3.1 实验 | 第67-71页 |
| 4.3.2 结果分析 | 第71-74页 |
| 4.4 本章小结 | 第74-76页 |
| 第5章 结论与展望 | 第76-80页 |
| 5.1 论文工作总结 | 第76-77页 |
| 5.2 未来工作展望 | 第77-80页 |
| 参考文献 | 第80-86页 |
| 致谢 | 第86-88页 |
| 个人简历、在学期发表的学术论文和研究成果 | 第88页 |