基于粒子群优化支持向量机的网络态势预测模型研究
| 中文摘要 | 第3-4页 |
| Abstract | 第4页 |
| 第一章 绪论 | 第7-15页 |
| 1.1 研究背景 | 第7-8页 |
| 1.2 近三年来国内网络安全态势分析 | 第8-11页 |
| 1.3 国内外研究现状 | 第11-13页 |
| 1.4 论文的主要研究工作 | 第13页 |
| 1.5 论文结构 | 第13-15页 |
| 第二章 网络安全态势的相关概念及常用预测模型 | 第15-24页 |
| 2.1 网络安全态势的相关概念 | 第15-17页 |
| 2.2 网络安全态势预测原理 | 第17页 |
| 2.3 常用预测模型 | 第17-23页 |
| 2.3.1 灰色理论预测模型 | 第17-20页 |
| 2.3.2 回归分析预测模型 | 第20-22页 |
| 2.3.3 神经网络预测模型 | 第22-23页 |
| 2.4 本章小结 | 第23-24页 |
| 第三章 数据样本的选择及预测模型的建立 | 第24-39页 |
| 3.1 网络安全态势的数据样本 | 第24-31页 |
| 3.2 支持向量机(SVM)概述 | 第31-33页 |
| 3.3 基于支持向量机回归的网络安全态势预测模型 | 第33-38页 |
| 3.3.1 支持向量机回归的原理 | 第33-36页 |
| 3.3.2 预测模型的建立及算法步骤 | 第36-38页 |
| 3.4 本章小结 | 第38-39页 |
| 第四章 基于粒子群优化支持向量机的网络态势预测 | 第39-51页 |
| 4.1 支持向量机的参数选取问题 | 第39-40页 |
| 4.2 基于交叉验证法的参数选取 | 第40-41页 |
| 4.3 基于粒子群优化的参数选取 | 第41-44页 |
| 4.3.1 粒子群算法 | 第41-42页 |
| 4.3.2 粒子群优化支持向量机 | 第42-44页 |
| 4.4 仿真实验分析 | 第44-50页 |
| 4.4.1 实验的软硬件环境 | 第44页 |
| 4.4.2 实验数据和性能指标 | 第44-45页 |
| 4.4.3 数据预处理 | 第45-46页 |
| 4.4.4 支持向量机参数选择过程 | 第46-48页 |
| 4.4.5 预测结果 | 第48-50页 |
| 4.5 本章小结 | 第50-51页 |
| 第五章 基于神经网络的网络态势预测方法对比 | 第51-61页 |
| 5.1 基于Elman神经网络的网络态势预测模型 | 第51-53页 |
| 5.1.1 构建Elman神经网络预测模型 | 第51页 |
| 5.1.2 预测结果 | 第51-53页 |
| 5.2 基于GRNN的网络态势预测模型 | 第53-56页 |
| 5.2.1 构建GRNN神经网络预测模型 | 第53-55页 |
| 5.2.2 预测结果 | 第55-56页 |
| 5.3 实验结果预测精度对比 | 第56-58页 |
| 5.4 预测速度对比 | 第58-59页 |
| 5.5 本章小结 | 第59-61页 |
| 第六章 总结与展望 | 第61-63页 |
| 6.1 本文总结 | 第61-62页 |
| 6.2 研究工作展望 | 第62-63页 |
| 参考文献 | 第63-65页 |
| 在学期间的研究成果 | 第65-66页 |
| 致谢 | 第66页 |
