| 摘要 | 第4-5页 |
| abstract | 第5页 |
| 第一章 绪论 | 第9-13页 |
| 1.1 论文研究的背景与意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-11页 |
| 1.3 论文主要内容 | 第11-12页 |
| 1.4 论文章节结构 | 第12-13页 |
| 第二章 相关理论及关键技术 | 第13-25页 |
| 2.1 网络安全态势感知经典模型 | 第13-15页 |
| 2.2 基于时间维层次化的网络安全态势评估模型提出 | 第15-16页 |
| 2.3 数据分类技术 | 第16-18页 |
| 2.3.1 经典分类算法 | 第16-17页 |
| 2.3.2 非均衡分类算法 | 第17-18页 |
| 2.4 数据融合技术 | 第18-24页 |
| 2.4.1 数据融合的概念 | 第18-19页 |
| 2.4.2 数据融合的过程 | 第19-20页 |
| 2.4.3 融合方法模型 | 第20-22页 |
| 2.4.4 数据融合层次结构 | 第22-24页 |
| 2.5 本章小结 | 第24-25页 |
| 第三章 主动学习的非均衡异常数据分类算法研究 | 第25-35页 |
| 3.1 非均衡数据分类算法相关研究 | 第25-26页 |
| 3.2 基于主动学习的采样方法 | 第26-28页 |
| 3.2.1 主动学习采样流程 | 第26-27页 |
| 3.2.2 查询函数Q | 第27-28页 |
| 3.3 基于组合分类算法的改进 | 第28-30页 |
| 3.3.1 非均衡数据分类算法总体流程 | 第28-29页 |
| 3.3.2 组合分类算法 | 第29页 |
| 3.3.3 误分类代价函数 | 第29-30页 |
| 3.4 实验结果及分析 | 第30-34页 |
| 3.4.1 数据集划分及特征选择 | 第30-32页 |
| 3.4.2 算法性能对比 | 第32-33页 |
| 3.4.3 采样方式性能对比 | 第33-34页 |
| 3.4.4 结果分析 | 第34页 |
| 3.5 本章小结 | 第34-35页 |
| 第四章 基于改进TBM模型的层次化网络态势评估方法 | 第35-46页 |
| 4.1 基于改进TBM模型的层次化网络态势评估 | 第35-39页 |
| 4.1.1 TBM模型评估方法 | 第35-36页 |
| 4.1.2 粒子群优化的T-S模糊径向基函数神经网络 | 第36-38页 |
| 4.1.3 基于改进TBM模型的网络态势评估方法 | 第38-39页 |
| 4.2 基于改进TBM模型的层次化网络态势评估过程 | 第39-42页 |
| 4.2.1 数据采集 | 第39-40页 |
| 4.2.2 构造BBA | 第40-41页 |
| 4.2.3 态势评估 | 第41-42页 |
| 4.3 仿真实验 | 第42-45页 |
| 4.4 本章小结 | 第45-46页 |
| 第五章 基于短长周期结合的网络安全态势评估 | 第46-54页 |
| 5.1 短长周期划分 | 第46-48页 |
| 5.2 指标动静态因素划分 | 第48页 |
| 5.3 熵值法确定权重 | 第48-50页 |
| 5.3.1 权重选择方法 | 第48-49页 |
| 5.3.2 熵值法基本步骤 | 第49页 |
| 5.3.3 熵值法改进 | 第49-50页 |
| 5.4 实验仿真 | 第50-53页 |
| 5.4.1 短周期态势值计算 | 第51-52页 |
| 5.4.2 长周期态势值计算 | 第52-53页 |
| 5.5 本章总结 | 第53-54页 |
| 第六章 总结与展望 | 第54-56页 |
| 6.1 本文研究工作总结 | 第54-55页 |
| 6.2 工作展望 | 第55-56页 |
| 参考文献 | 第56-59页 |
| 发表论文和科研情况说明 | 第59-60页 |
| 致谢 | 第60页 |
