| 摘要 | 第5-7页 |
| Abstract | 第7-10页 |
| 第一章 绪论 | 第11-15页 |
| 1.1 课题来源 | 第11页 |
| 1.2 课题的背景 | 第11-12页 |
| 1.3 课题研究的目的和意义 | 第12页 |
| 1.4 国内外研究概况 | 第12-13页 |
| 1.5 本文的研究内容 | 第13-14页 |
| 1.6 本章小结 | 第14-15页 |
| 第二章 漏洞分类 | 第15-21页 |
| 2.1 漏洞分类的理论基础 | 第15-16页 |
| 2.1.1 计算机漏洞的定义 | 第15页 |
| 2.1.2 漏洞分类的原理 | 第15-16页 |
| 2.2 文本分类 | 第16-17页 |
| 2.2.1 文本分类的特点 | 第16页 |
| 2.2.2 文本分类的流程 | 第16-17页 |
| 2.3 机器学习(Machine Learning, ML) | 第17-20页 |
| 2.3.1 机器学习的定义 | 第17页 |
| 2.3.2 机器学习中的相关算法简介 | 第17-20页 |
| 2.4 本章小结 | 第20-21页 |
| 第三章 基于模糊熵的漏洞文本特征提取算法 | 第21-27页 |
| 3.1 常见的特征提取算法 | 第21-22页 |
| 3.1.1 文本频数（DF） | 第21页 |
| 3.1.2 2c统计量 | 第21-22页 |
| 3.2 模糊理论 | 第22页 |
| 3.3 隶属度函数的设计 | 第22-23页 |
| 3.4 模糊熵的计算 | 第23-24页 |
| 3.5 基于模糊熵的漏洞特征选择算法 | 第24页 |
| 3.6 实验对比与分析 | 第24-26页 |
| 3.6.1 实验数据的来源 | 第24-25页 |
| 3.6.2 实验步骤 | 第25页 |
| 3.6.3 实验结果的对比 | 第25-26页 |
| 3.6.4 实验结果分析 | 第26页 |
| 3.7 本章小结 | 第26-27页 |
| 第四章 基于类别熵的二叉树多类SVM的漏洞分类算法 | 第27-32页 |
| 4.1 类别熵 | 第27页 |
| 4.2 构建基于类别熵的二叉树 | 第27-28页 |
| 4.2.1 传统的二叉树构建 | 第27-28页 |
| 4.2.2 基于类别熵的二叉树的构建思路 | 第28页 |
| 4.3 基于类别熵的二叉树多类SVM的漏洞分类算法 | 第28-31页 |
| 4.3.1 算法的相关说明 | 第28-30页 |
| 4.3.2 构建分类算法 | 第30-31页 |
| 4.4 本章小结 | 第31-32页 |
| 第五章 漏洞自动化分类的实现 | 第32-45页 |
| 5.1 漏洞分类模型设计 | 第32-33页 |
| 5.2 漏洞分类的实验过程 | 第33-41页 |
| 5.2.1 发现漏洞 | 第33-35页 |
| 5.2.2 漏洞文本信息的收集 | 第35-36页 |
| 5.2.3 漏洞文本信息预处理 | 第36-38页 |
| 5.2.4 特征词集的建立与漏洞的向量 | 第38-40页 |
| 5.2.5 训练漏洞分类模型 | 第40页 |
| 5.2.6 分类性能的评估 | 第40-41页 |
| 5.3 漏洞分类的实验与结果分析 | 第41-44页 |
| 5.3.1 实验数据来源 | 第41页 |
| 5.3.2 实验步骤 | 第41-42页 |
| 5.3.3 分类实验结果 | 第42-43页 |
| 5.3.4 实验结果分析 | 第43-44页 |
| 5.4 本章小结 | 第44-45页 |
| 第六章 结束语 | 第45-47页 |
| 6.1 主要工作和创新点 | 第45页 |
| 6.2 后续研究工作 | 第45-47页 |
| 参考文献 | 第47-51页 |
| 致谢 | 第51-52页 |
| 攻读硕士学位期间取得的成果 | 第52-53页 |
