| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第9-17页 |
| 1.1 课题背景 | 第9-10页 |
| 1.2 网络安全态势感知相关知识 | 第10-12页 |
| 1.2.1 网络安全态势感知概念描述 | 第10页 |
| 1.2.2 网络安全态势感知研究现状 | 第10-11页 |
| 1.2.3 网络安全态势感知评估算法现状分析 | 第11-12页 |
| 1.3 数据融合相关知识 | 第12-13页 |
| 1.4 数据挖掘相关知识 | 第13-14页 |
| 1.4.1 数据挖掘的步骤 | 第13-14页 |
| 1.4.2 数据挖掘的方法 | 第14页 |
| 1.5 不均衡数据概述 | 第14-15页 |
| 1.6 本文的主要工作及组织结构 | 第15-17页 |
| 1.6.1 本文的主要工作 | 第15-16页 |
| 1.6.2 本文的组织结构 | 第16-17页 |
| 第二章 基于多源数据融合的NSSA技术要点 | 第17-27页 |
| 2.1 多源数据融合 | 第17-19页 |
| 2.1.1 多源数据融合层次化描述 | 第17-18页 |
| 2.1.2 数据融合模型 | 第18-19页 |
| 2.2 数据融合与态势感知 | 第19-20页 |
| 2.3 基于数据融合的NSSA关键技术概论 | 第20-24页 |
| 2.3.1 深度学习 | 第20-23页 |
| 2.3.2 随机森林算法 | 第23-24页 |
| 2.4 数据融合模型的数据预处理技术 | 第24-26页 |
| 2.4.1 离散化算法理论及常见算法 | 第25页 |
| 2.4.2 自适应离散化算法 | 第25-26页 |
| 2.5 本章小结 | 第26-27页 |
| 第三章 构建基于数据融合的网络安全态势感知模型 | 第27-42页 |
| 3.1 网络安全态势要素提取 | 第27-33页 |
| 3.1.1 自编码器(Auto-Encoders,AE)算法详解 | 第27-30页 |
| 3.1.2 降噪自编码器(stacked Denoising Auto-Encoders,SDAE) | 第30-31页 |
| 3.1.3 RF算法原理 | 第31-32页 |
| 3.1.4 要素提取算法设计 | 第32-33页 |
| 3.2 基于网络安全态势感知量化算法的预警模型 | 第33-36页 |
| 3.2.1 粗糙集基本概念 | 第33-34页 |
| 3.2.2 基于粗糙集的要素量化算法 | 第34-35页 |
| 3.2.3 基于量化算法的预警模型 | 第35-36页 |
| 3.3 网络安全态势感知模型设计 | 第36-37页 |
| 3.3.1 网络安全态势感知模型的算法描述 | 第36页 |
| 3.3.2 网络安全态势感知模型的层次化架构 | 第36-37页 |
| 3.4 仿真实验 | 第37-41页 |
| 3.4.1 实验环境 | 第37页 |
| 3.4.2 实验证验 | 第37-41页 |
| 3.4.3 结论及分析 | 第41页 |
| 3.5 本章小结 | 第41-42页 |
| 第四章 基于不均衡数据融合的优化模型 | 第42-51页 |
| 4.1 冗余属性检测算法 | 第42-43页 |
| 4.2 快速随机森林算法 | 第43-44页 |
| 4.2.1 不均衡数据分类器的设计原理 | 第43-44页 |
| 4.2.2 快速随机森林的实现流程 | 第44页 |
| 4.3 基于不均衡数据的网络安全态势感知模型 | 第44-45页 |
| 4.3.1 基于不均衡数据的NSSA模型算法 | 第44-45页 |
| 4.3.2 基于不均衡数据的NSSA模型层次化架构 | 第45页 |
| 4.4 实验分析 | 第45-50页 |
| 4.4.1 DARPA入侵检测数据集介绍 | 第46页 |
| 4.4.2 实验数据选取 | 第46-47页 |
| 4.4.3 实验设计与结果分析 | 第47-50页 |
| 4.5 本章小结 | 第50-51页 |
| 第五章 总结与展望 | 第51-53页 |
| 5.1 本文总结 | 第51-52页 |
| 5.2 未来工作的展望 | 第52-53页 |
| 参考文献 | 第53-56页 |
| 致谢 | 第56-57页 |
| 攻读硕士学位期间发表论文 | 第57页 |
