| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第11-14页 |
| 1.1 研究背景 | 第11-12页 |
| 1.2 研究目标与意义 | 第12-13页 |
| 1.2.1 研究目标 | 第12页 |
| 1.2.2 研究意义 | 第12-13页 |
| 1.3 研究思路与内容 | 第13-14页 |
| 第二章 相关技术研究 | 第14-22页 |
| 2.1 网络安全态势感知相关技术 | 第14-16页 |
| 2.1.1 数据挖掘技术 | 第14页 |
| 2.1.2 数据融合技术 | 第14-15页 |
| 2.1.3 数据可视化技术 | 第15-16页 |
| 2.1.4 数据简约技术 | 第16页 |
| 2.2 国内外研究现状 | 第16-21页 |
| 2.2.1 国外研究现状 | 第17-19页 |
| 2.2.2 国内研究现状 | 第19-21页 |
| 2.3 本章小结 | 第21-22页 |
| 第三章 网络安全态势感知模型 | 第22-30页 |
| 3.1 网络安全的主要威胁 | 第22页 |
| 3.2 网络安全态势分析 | 第22-27页 |
| 3.2.1 资产识别 | 第23页 |
| 3.2.2 脆弱性识别 | 第23-24页 |
| 3.2.3 威胁检测 | 第24-26页 |
| 3.2.4 网络安全态势评估 | 第26页 |
| 3.2.5 网络安全态势的预测 | 第26-27页 |
| 3.3 网络安全态势感知指标体系 | 第27-28页 |
| 3.4 层次化网络安全态势感知模型 | 第28-29页 |
| 3.5 本章小结 | 第29-30页 |
| 第四章 基于PSO和SVM的网络安全态势评估 | 第30-44页 |
| 4.1 SVM理论 | 第30-35页 |
| 4.1.1 统计学习理论 | 第30-31页 |
| 4.1.2 支持向量机理论 | 第31-33页 |
| 4.1.3 支持向量机分类算法 | 第33-35页 |
| 4.2 SVM参数的优化 | 第35-36页 |
| 4.3 基于SVM的网络安全态势评估 | 第36-40页 |
| 4.3.1 基于SVM的网络态势评估指标的量化 | 第36-38页 |
| 4.3.2 建立网络安全态势评估矩阵 | 第38页 |
| 4.3.3 指标权重值的确定 | 第38-39页 |
| 4.3.4 基于SVM的网络安全态势评估流程 | 第39-40页 |
| 4.4 实验验证与分析 | 第40-43页 |
| 4.4.1 实验环境与数据源 | 第40-41页 |
| 4.4.2 实验评价标准 | 第41页 |
| 4.4.3 实验结果 | 第41-43页 |
| 4.5 本章小结 | 第43-44页 |
| 第五章 基于改进ELman神经网络的网络态势预测方法 | 第44-53页 |
| 5.1 神经网络理论 | 第44-47页 |
| 5.1.1 神经元结构模型 | 第44-46页 |
| 5.1.2 神经元学习算法 | 第46-47页 |
| 5.2 基于神经网络的网络安全态势模型 | 第47-49页 |
| 5.2.1 Elman神经网络 | 第47-48页 |
| 5.2.2 双反馈Elman神经网络的优化 | 第48-49页 |
| 5.3 参数的优化 | 第49-50页 |
| 5.4 实验验证与分析 | 第50-52页 |
| 5.4.1 实验环境与数据源 | 第50-51页 |
| 5.4.2 实验方案与评价标准 | 第51页 |
| 5.4.3 实验结果 | 第51-52页 |
| 5.6 本章小结 | 第52-53页 |
| 第六章 结论 | 第53-55页 |
| 6.1 总结 | 第53页 |
| 6.2 展望 | 第53-55页 |
| 致谢 | 第55-56页 |
| 参考文献 | 第56-59页 |