| 摘要 | 第1-14页 |
| Abstract | 第14-17页 |
| 第一章 绪论 | 第17-31页 |
| ·网络态势感知简介 | 第17-21页 |
| ·研究背景 | 第17-19页 |
| ·研究框架 | 第19-20页 |
| ·研究历程 | 第20-21页 |
| ·国内外研究现状 | 第21-23页 |
| ·Tim Bass的研究 | 第21-22页 |
| ·安全态势感知 | 第22页 |
| ·传输态势感知 | 第22-23页 |
| ·生存性态势感知 | 第23页 |
| ·CSA系统性能评价 | 第23页 |
| ·研究特点和存在问题 | 第23-25页 |
| ·课题来源 | 第25页 |
| ·论文工作及创新点 | 第25-28页 |
| ·论文组织结构 | 第28-31页 |
| 第二章 网络态势感知相关技术 | 第31-47页 |
| ·研究内容 | 第31-39页 |
| ·CSA模型 | 第31-35页 |
| ·知识表示 | 第35-37页 |
| ·评估方法 | 第37-39页 |
| ·基于数学模型的方法 | 第39-41页 |
| ·公式法 | 第39页 |
| ·权重分析法 | 第39-40页 |
| ·集对分析法 | 第40-41页 |
| ·基于知识推理的方法 | 第41-42页 |
| ·基于产生式规则的逻辑推理 | 第41页 |
| ·基于图模型的推理 | 第41-42页 |
| ·基于证据理论的概率推理 | 第42页 |
| ·基于模式识别的方法 | 第42-45页 |
| ·灰关联分析 | 第43页 |
| ·粗集理论 | 第43-44页 |
| ·聚类分析 | 第44-45页 |
| ·评估方法比较 | 第45-46页 |
| ·本章小结 | 第46-47页 |
| 第三章 网络态势感知模型研究 | 第47-63页 |
| ·TTM：基于拓扑·流量挖掘的网络态势感知模型 | 第47-57页 |
| ·TTM基本思想 | 第47-50页 |
| ·TTM模型框架 | 第50-52页 |
| ·TTM数据结构 | 第52-53页 |
| ·TTM建模过程 | 第53-56页 |
| ·TTM感知过程 | 第56-57页 |
| ·TTM网络态势指标体系 | 第57-59页 |
| ·问题描述 | 第57-58页 |
| ·基于流量分析的指标体系 | 第58-59页 |
| ·TTM态势因子选择方法 | 第59-62页 |
| ·问题描述 | 第59-60页 |
| ·特征选择函数简介 | 第60-61页 |
| ·互信息MI与信息增益IG 的等价性 | 第61-62页 |
| ·基于MI和IG 等价性的态势因子选择 | 第62页 |
| ·本章小结 | 第62-63页 |
| 第四章 网络流量数据挖掘技术研究 | 第63-95页 |
| ·基于聚类的流量挖掘 | 第63-66页 |
| ·需求分析 | 第63-64页 |
| ·聚类算法研究进展 | 第64-65页 |
| ·网络数据流聚类 | 第65-66页 |
| ·NetStream：面向态势模式划分的网络数据流聚类算法 | 第66-71页 |
| ·问题描述 | 第67-70页 |
| ·基本思想 | 第70-71页 |
| ·算法描述 | 第71页 |
| ·NetStream算法描述与分析 | 第71-85页 |
| ·数据空间划分Discretization | 第72-74页 |
| ·全空间聚类算法FullSpace | 第74-76页 |
| ·子空间聚类算法SubSpace | 第76-79页 |
| ·概念漂移双窗调整算法Adjust2Drift | 第79-83页 |
| ·增量更新算法Increment | 第83-85页 |
| ·实验结果与分析 | 第85-93页 |
| ·划分效果 | 第86页 |
| ·时间复杂性 | 第86-87页 |
| ·聚类准确性 | 第87页 |
| ·参数敏感性 | 第87-88页 |
| ·子空间聚类优化效果 | 第88-89页 |
| ·态势因子选择的效果 | 第89页 |
| ·维度可扩展性 | 第89-90页 |
| ·算法比较 | 第90-91页 |
| ·网络突发性的影响 | 第91-92页 |
| ·概念漂移双窗调整效果 | 第92-93页 |
| ·增量聚类效果 | 第93页 |
| ·本章小结 | 第93-95页 |
| 第五章 网络态势评估与预测技术研究 | 第95-113页 |
| ·RSSA：基于粗集分析的网络态势评估 | 第95-102页 |
| ·研究背景 | 第95-96页 |
| ·基于粗集的网元评估规则设计 | 第96-99页 |
| ·策略制定与专家分析确认 | 第99-100页 |
| ·基于容量网络理论的网元权重分析 | 第100-102页 |
| ·GRNNSF：基于广义回归神经网络的态势预测 | 第102-106页 |
| ·问题描述 | 第102-103页 |
| ·研究背景与GRNN简介 | 第103-104页 |
| ·GRNN设计 | 第104-105页 |
| ·预测方法 | 第105-106页 |
| ·实验结果与分析 | 第106-111页 |
| ·RSSA的效果与分析 | 第106-108页 |
| ·GRNNSF的效果与分析 | 第108-111页 |
| ·本章小结 | 第111-113页 |
| 第六章 NSMS原型系统的设计与实现 | 第113-127页 |
| ·NSMS总体设计 | 第113-117页 |
| ·NSMS体系结构 | 第113-114页 |
| ·态势管理中心逻辑结构 | 第114-116页 |
| ·网络管理平台逻辑结构 | 第116页 |
| ·NSMS物理结构 | 第116-117页 |
| ·MVHV态势可视化方案 | 第117-120页 |
| ·网络视图 | 第118页 |
| ·运行视图 | 第118-119页 |
| ·态势视图 | 第119-120页 |
| ·NSMS原型系统应用 | 第120-126页 |
| ·测试环境硬件配置 | 第120-121页 |
| ·测试环境软件部署 | 第121-122页 |
| ·执行流程 | 第122-124页 |
| ·运行效果 | 第124-126页 |
| ·本章小结 | 第126-127页 |
| 第七章 总结与展望 | 第127-131页 |
| ·本文主要工作总结 | 第127-128页 |
| ·未来研究趋势展望 | 第128-131页 |
| 致谢 | 第131-133页 |
| 参考文献 | 第133-141页 |
| 作者在学期间取得的学术成果 | 第141-143页 |
| 攻读博士学位期间参与的科研工作和获奖情况 | 第143页 |