基于深度学习的多步网络攻击预测模型的设计与实现
| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 第一章 绪论 | 第11-15页 |
| 1.1 研究背景 | 第11页 |
| 1.2 研究现状 | 第11-13页 |
| 1.3 研究目的和内容 | 第13-14页 |
| 1.4 论文结构 | 第14-15页 |
| 第二章 相关理论与关键技术 | 第15-28页 |
| 2.1 入侵检测系统 | 第15-18页 |
| 2.1.1 入侵检测系统介绍 | 第15页 |
| 2.1.2 信息来源 | 第15-16页 |
| 2.1.3 解析技术 | 第16-17页 |
| 2.1.4 发展趋势 | 第17-18页 |
| 2.2 警报关联技术 | 第18-21页 |
| 2.2.1 警报关联的产生背景 | 第18页 |
| 2.2.2 警报关联的方法 | 第18-21页 |
| 2.2.3 不同关联算法之间的比较 | 第21页 |
| 2.3 深度学习概述 | 第21-27页 |
| 2.3.1 反向传播来训练多层神经网络 | 第22-23页 |
| 2.3.2 分布式特征表示与语言处理 | 第23-24页 |
| 2.3.3 递归神经网络 | 第24-27页 |
| 2.4 本章小结 | 第27-28页 |
| 第三章 基于深度学习的网络攻击预测模型 | 第28-42页 |
| 3.1 模型总体概述 | 第28-29页 |
| 3.2 构建复合攻击场景 | 第29-35页 |
| 3.2.1 IDS日志简介 | 第29页 |
| 3.2.2 IP相关报警序列划分 | 第29-31页 |
| 3.2.3 提取攻击事件 | 第31页 |
| 3.2.4 抽取攻击序列 | 第31-33页 |
| 3.2.5 攻击场景构建验证 | 第33-35页 |
| 3.3 建立攻击深度神经网络 | 第35-40页 |
| 3.3.1 攻击序列编码 | 第35-36页 |
| 3.3.2 神经网络总体结构 | 第36页 |
| 3.3.3 Embedding层 | 第36-37页 |
| 3.3.4 LSTM层 | 第37页 |
| 3.3.5 Dense层 | 第37页 |
| 3.3.6 深度神经网络的预测效果验证 | 第37-40页 |
| 3.4 优化攻击预测模型 | 第40-41页 |
| 3.5 本章小结 | 第41-42页 |
| 第四章 模型的设计与实现 | 第42-53页 |
| 4.1 模型总体架构 | 第42页 |
| 4.2 IDS警报处理模块 | 第42-44页 |
| 4.3 攻击场景构建模块 | 第44-49页 |
| 4.3.1 警报聚合模块 | 第44-45页 |
| 4.3.2 事件抽取模块 | 第45-46页 |
| 4.3.3 事件排序模块 | 第46-48页 |
| 4.3.4 攻击事件编码模块 | 第48-49页 |
| 4.4 模型训练预测模块 | 第49-51页 |
| 4.4.1 模型训练预测模块概述 | 第49-50页 |
| 4.4.2 训练数据准备模块 | 第50-51页 |
| 4.4.3 神经网络构建模块 | 第51页 |
| 4.5 用户反馈模块 | 第51-52页 |
| 4.5.1 用户设置界面 | 第51-52页 |
| 4.5.2 用户反馈界面 | 第52页 |
| 4.6 本章小结 | 第52-53页 |
| 第五章 模型的实验与分析 | 第53-57页 |
| 5.1 实验环境 | 第53页 |
| 5.2 实验方法 | 第53-54页 |
| 5.3 实验结果与分析 | 第54-56页 |
| 5.4 本章小结 | 第56-57页 |
| 第六章 总结与展望 | 第57-59页 |
| 6.1 本文总结 | 第57页 |
| 6.2 工作展望 | 第57-59页 |
| 参考文献 | 第59-63页 |
| 致谢 | 第63页 |
