基于D-S证据理论的多模型网络安全态势预测研究
| 摘要 | 第1-4页 |
| Abstract | 第4-8页 |
| 第一章 绪论 | 第8-14页 |
| ·课题研究背景 | 第8页 |
| ·课题研究意义 | 第8-10页 |
| ·国内外研究现状 | 第10-12页 |
| ·研究现状 | 第10-11页 |
| ·研究中存在的问题 | 第11-12页 |
| ·本文的主要工作和成果 | 第12-13页 |
| ·论文的组织结构 | 第13-14页 |
| 第二章 网络安全态势预测的基础知识 | 第14-28页 |
| ·网络安全态势感知 | 第14-18页 |
| ·网络安全态势感知的基本概念 | 第14-16页 |
| ·网络安全态势感知的评价体系 | 第16-18页 |
| ·网络安全态势预测 | 第18-23页 |
| ·网络安全态势预测概述 | 第18-19页 |
| ·网络安全态势预测常用方法 | 第19-23页 |
| ·证据理论 | 第23-27页 |
| ·证据理论的产生 | 第23-24页 |
| ·证据理论的基本概念 | 第24-27页 |
| ·本章小结 | 第27-28页 |
| 第三章 组合预测单项模型的建立 | 第28-44页 |
| ·网络安全态势数据预处理 | 第28-29页 |
| ·仿真实验数据 | 第28-29页 |
| ·预测评价指标 | 第29页 |
| ·时间序列ARIMA预测模型 | 第29-34页 |
| ·时间序列ARIMA模型预测原理 | 第29-31页 |
| ·ARIMA模型的识别与参数估计 | 第31-32页 |
| ·ARIMA模型预测方法 | 第32页 |
| ·时间序列ARIMA预测模型实例分析 | 第32-34页 |
| ·灰色Verhulst预测模型 | 第34-37页 |
| ·灰色Verhulst模型预测原理 | 第34-35页 |
| ·Verhulst模型参数求解 | 第35页 |
| ·灰色Verhulst预测模型实例分析 | 第35-37页 |
| ·RBF神经网络预测模型 | 第37-41页 |
| ·RBF神经网络的预测原理 | 第37-38页 |
| ·RBF神经网络的前馈计算 | 第38-39页 |
| ·RBF神经网络的训练学习算法 | 第39-40页 |
| ·神经网络RBF预测模型实例分析 | 第40-41页 |
| ·三种模型预测结果分析 | 第41-42页 |
| ·本章小结 | 第42-44页 |
| 第四章 基于D-S证据理论的组合预测 | 第44-50页 |
| ·证据理论安全态势预测模型 | 第44-46页 |
| ·权重提取模型 | 第44-45页 |
| ·权重融合模型 | 第45-46页 |
| ·证据理论安全态势预测仿真 | 第46-48页 |
| ·提取权重 | 第46-48页 |
| ·融合权重 | 第48页 |
| ·预测结果分析 | 第48-49页 |
| ·本章小结 | 第49-50页 |
| 第五章 结束语 | 第50-52页 |
| 致谢 | 第52-54页 |
| 参考文献 | 第54-60页 |
| 研究成果 | 第60页 |
