网络安全态势预测的研究
| 摘要 | 第1-5页 |
| Abstract | 第5-8页 |
| 1 绪论 | 第8-12页 |
| ·课题研究的背景 | 第8页 |
| ·课题研究现状 | 第8-10页 |
| ·研究动机和创新点 | 第10-11页 |
| ·本文组织结构 | 第11-12页 |
| 2 理论基础 | 第12-24页 |
| ·网络安全态势相关概念 | 第12-17页 |
| ·网络安全态势值 | 第12-13页 |
| ·网络安全态势评估 | 第13-14页 |
| ·威胁评估 | 第14-15页 |
| ·网络安全态势值与态势评估、威胁评估的关系 | 第15-17页 |
| ·径向基函数神经网络 | 第17-20页 |
| ·RBF神经网络模型 | 第17-18页 |
| ·RBF神经网络的工作原理 | 第18-19页 |
| ·RBF神经网络学习算法 | 第19-20页 |
| ·扩展卡尔曼滤波器 | 第20-22页 |
| ·智能Agent | 第22-24页 |
| 3 GGAP-RBF算法 | 第24-29页 |
| ·批处理学习算法和在线学习算法 | 第24-25页 |
| ·隐层神经元重要性定义及估计公式 | 第25-27页 |
| ·隐层神经元的引入准则 | 第27页 |
| ·隐层神经元的删除准则 | 第27-28页 |
| ·GGAP-RBF学习算法 | 第28-29页 |
| 4 终身学习RBF神经网络 | 第29-41页 |
| ·终身学习算法的思想 | 第29-30页 |
| ·δ_i的更新 | 第30-31页 |
| ·ε调整 | 第31-32页 |
| ·径向基函数宽度自适应调整 | 第32-33页 |
| ·终身学习RBF算法 | 第33-36页 |
| ·仿真实验 | 第36-41页 |
| ·实验参数及环境设置 | 第36-37页 |
| ·预测结果及分析 | 第37-38页 |
| ·同类算法效果对比 | 第38-41页 |
| 5 智能Agent网络安全态势预测模型 | 第41-53页 |
| ·智能Agent网络安全态势预测模型结构设计 | 第41-43页 |
| ·现有网络安全系统的缺点 | 第41-42页 |
| ·智能Agent网络安全态势预测模型思想和特点 | 第42页 |
| ·智能Agent网络安全态势预测模型框架 | 第42-43页 |
| ·智能Agent的内部结构 | 第43-53页 |
| ·子网Agent | 第43-48页 |
| ·根Agent | 第48-53页 |
| 结论 | 第53-54页 |
| 参考文献 | 第54-56页 |
| 攻读硕士学位期间发表学术论文情况 | 第56-57页 |
| 致谢 | 第57-58页 |
