| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第1章 绪论 | 第11-18页 |
| 1.1 研究背景及意义 | 第11-13页 |
| 1.2 国内外研究现状 | 第13-16页 |
| 1.2.1 国外研究现状 | 第13-14页 |
| 1.2.2 国内研究现状 | 第14-16页 |
| 1.3 本文研究内容 | 第16-17页 |
| 1.4 本文组织结构 | 第17-18页 |
| 第2章 相关理论及关键技术 | 第18-27页 |
| 2.1 入侵检测 | 第18-20页 |
| 2.1.1 入侵检测概念 | 第18-19页 |
| 2.1.2 入侵检测的分类 | 第19-20页 |
| 2.2 网络安全态势感知体系框架 | 第20-22页 |
| 2.2.1 JDL数据融合模型 | 第20-21页 |
| 2.2.2 Tim Bass模型 | 第21-22页 |
| 2.3 网络安全态势关键技术 | 第22-26页 |
| 2.3.1 态势评估技术 | 第22-24页 |
| 2.3.2 态势预测技术 | 第24-26页 |
| 2.4 本章小结 | 第26-27页 |
| 第3章 改进的基于隐马尔可夫模型的态势评估方法 | 第27-42页 |
| 3.1 基于隐马尔可夫态势评估模型 | 第27-33页 |
| 3.1.1 隐马尔可夫的概述 | 第27页 |
| 3.1.2 隐马尔可夫的态势评估模型 | 第27-29页 |
| 3.1.3 隐马尔可夫模型的基本算法 | 第29-33页 |
| 3.2 HMM-SA模型在态势评估中的应用 | 第33-36页 |
| 3.2.1 模拟退火算法简介 | 第33页 |
| 3.2.2 模拟退火算法实现 | 第33-34页 |
| 3.2.3 模拟退火算法优化隐马尔可夫模型的流程 | 第34-35页 |
| 3.2.4 算法可行性 | 第35页 |
| 3.2.5 安全态势量化方法 | 第35-36页 |
| 3.3 仿真结果及数据分析 | 第36-41页 |
| 3.3.1 算法复杂度对比 | 第36页 |
| 3.3.2 数据描述 | 第36-37页 |
| 3.3.3 滑动窗口 | 第37页 |
| 3.3.4 参数设置与优化 | 第37-39页 |
| 3.3.5 实验结果分析 | 第39-41页 |
| 3.4 本章小结 | 第41-42页 |
| 第4章 一种自适应的GA-SVM网络安全态势预测方法 | 第42-58页 |
| 4.1 支持向量机 | 第42-46页 |
| 4.1.1 支持向量机的概念 | 第42-43页 |
| 4.1.2 非线性支持向量机模型 | 第43-45页 |
| 4.1.3 核函数的选择 | 第45-46页 |
| 4.2 GA-SVM网络安全预测模型 | 第46-53页 |
| 4.2.1 遗传算法简介 | 第47页 |
| 4.2.2 算法流程 | 第47-48页 |
| 4.2.3 自适应GA-SVM在网络安全态势预测中的应用 | 第48-53页 |
| 4.3 仿真结果及数据分析 | 第53-57页 |
| 4.3.1 数据预处理 | 第53页 |
| 4.3.2 预测模型评估标准 | 第53-54页 |
| 4.3.3 预测精度对比 | 第54-57页 |
| 4.4 本章小结 | 第57-58页 |
| 第5章 总结与展望 | 第58-60页 |
| 5.1 全文工作总结 | 第58-59页 |
| 5.2 研究工作展望 | 第59-60页 |
| 参考文献 | 第60-64页 |
| 致谢 | 第64-65页 |
| 攻读硕士学位期间从事的科研工作及取得的成果 | 第65页 |