摘要 | 第1-7页 |
Abstract | 第7-13页 |
第1章 绪论 | 第13-37页 |
·研究背景 | 第13-15页 |
·国内外研究现状及分析 | 第15-33页 |
·态势感知相关概念 | 第17-20页 |
·态势感知框架模型 | 第20-24页 |
·网络安全态势要素提取技术 | 第24-26页 |
·网络安全态势评估技术 | 第26-28页 |
·网络安全态势预测技术 | 第28-31页 |
·目前存在的挑战与发展趋势 | 第31-33页 |
·研究目标与研究意义 | 第33-34页 |
·研究目标 | 第33页 |
·研究意义 | 第33-34页 |
·本文研究内容 | 第34-35页 |
·本文组织结构 | 第35-37页 |
第2章 基于多传感器的NSSAS框架结构 | 第37-66页 |
·引言 | 第37-38页 |
·设计原则和目标 | 第38页 |
·系统功能需求 | 第38-39页 |
·网络安全态势感知系统框架结构 | 第39-44页 |
·信息获取层 | 第44-57页 |
·数据源选取及分类 | 第45-47页 |
·日志类传感器 | 第47-48页 |
·SNMP传感器 | 第48-49页 |
·NetFlow传感器 | 第49-51页 |
·服务类传感器 | 第51-53页 |
·基于XML的多源安全信息格式化 | 第53-57页 |
·要素提取层 | 第57-59页 |
·多源异构安全信息聚合 | 第57-58页 |
·多源异构安全信息融合 | 第58-59页 |
·态势决策层 | 第59-61页 |
·事件威胁度评估 | 第59页 |
·安全态势量化评估 | 第59-61页 |
·安全态势动态预测 | 第61页 |
·NSSAS框架结构应用 | 第61-65页 |
·本章小结 | 第65-66页 |
第3章 基于DsimC和EWDS的网络安全态势要素提取 | 第66-86页 |
·引言 | 第66-67页 |
·网络安全态势要素提取建模 | 第67-69页 |
·基于相异度计算(DSimC)的报警聚类方法 | 第69-73页 |
·相关属性距离计算 | 第69-72页 |
·DCAC聚类算法 | 第72-73页 |
·基于指数加权DS证据理论(EWDS)的报警融合方法 | 第73-78页 |
·指数加权DS证据理论 | 第73-76页 |
·基于EWDS的报警融合算法 | 第76-78页 |
·实验与结果分析 | 第78-85页 |
·评价指标 | 第79页 |
·报警聚类实验 | 第79-81页 |
·报警融合实验 | 第81-84页 |
·安全态势要素提取实验结果 | 第84-85页 |
·本章小结 | 第85-86页 |
第4章 基于IAHP的网络安全态势量化评估方法 | 第86-109页 |
·引言 | 第86-87页 |
·改进层次分析法(IAHP) | 第87-93页 |
·区间判断矩阵 | 第87-88页 |
·一致性检验 | 第88-91页 |
·一致性自动修正算法 | 第91-93页 |
·多层次多角度网络安全态势量化评估模型 | 第93-95页 |
·分层指标量化计算 | 第95-97页 |
·服务安全态势 | 第95-96页 |
·防御强度 | 第96页 |
·主机安全态势 | 第96-97页 |
·网络安全态势 | 第97页 |
·参数分析和计算 | 第97-101页 |
·攻击威胁程度 | 第97-99页 |
·安全属性受安全措施的影响度 | 第99-100页 |
·重要性权重确立 | 第100-101页 |
·实验及结果分析 | 第101-108页 |
·参数确立 | 第102-105页 |
·结果分析 | 第105-108页 |
·本章小结 | 第108-109页 |
第5章 基于遗传小波网络的网络安全态势预测 | 第109-122页 |
·引言 | 第109-110页 |
·态势预测问题分析 | 第110-111页 |
·态势预测分类 | 第110页 |
·态势预测原理 | 第110-111页 |
·基于GAWNN的态势预测建模 | 第111-115页 |
·态势预测的WNN结构 | 第111-113页 |
·遗传算法优化态势预测小波神经网络 | 第113-115页 |
·仿真实验 | 第115-121页 |
·态势预测效果评价 | 第115-116页 |
·网络安全态势值计算 | 第116-118页 |
·实验结果分析与比较 | 第118-121页 |
·本章小结 | 第121-122页 |
结论 | 第122-124页 |
参考文献 | 第124-138页 |
攻读博士学位期间发表的论文和取得的科研成果 | 第138-140页 |
致谢 | 第140页 |