基于对抗学习的工业控制协议漏洞挖掘技术研究
| 摘要 | 第5-6页 |
| abstract | 第6页 |
| 第一章 绪论 | 第13-19页 |
| 1.1 研究背景 | 第13-14页 |
| 1.2 相关研究现状 | 第14-16页 |
| 1.3 本文研究内容 | 第16-17页 |
| 1.4 章节安排 | 第17-18页 |
| 1.5 本章小结 | 第18-19页 |
| 第二章 背景技术知识 | 第19-31页 |
| 2.1 工控协议与工控安全防护 | 第19-20页 |
| 2.1.1 工控协议 | 第19-20页 |
| 2.1.2 工控安全防护 | 第20页 |
| 2.2 漏洞挖掘技术概述 | 第20-22页 |
| 2.2.1 白盒模糊测试 | 第21-22页 |
| 2.2.2 灰盒模糊测试 | 第22页 |
| 2.2.3 黑盒模糊测试 | 第22页 |
| 2.3 深度神经网络 | 第22-26页 |
| 2.3.1 机器学习梗概 | 第23-24页 |
| 2.3.2 神经网络结构 | 第24页 |
| 2.3.3 卷积神经网络 | 第24-26页 |
| 2.4 深度对抗学习 | 第26-30页 |
| 2.4.1 对抗学习的思想 | 第26-28页 |
| 2.4.2 Wassertein生成对抗网络 | 第28页 |
| 2.4.3 深度卷积生成对抗网络 | 第28-29页 |
| 2.4.4 生成对抗模型的评估 | 第29页 |
| 2.4.5 与模糊测试的结合点 | 第29-30页 |
| 2.5 本章小结 | 第30-31页 |
| 第三章 基于深度对抗学习的漏洞挖掘方法设计 | 第31-43页 |
| 3.1 方法基本处理步骤 | 第31-33页 |
| 3.2 数据集构造 | 第33-35页 |
| 3.3 模型的构造 | 第35-41页 |
| 3.3.1 问题抽象 | 第35页 |
| 3.3.2 模型设计 | 第35-38页 |
| 3.3.3 模型训练 | 第38-40页 |
| 3.3.4 模型验证 | 第40-41页 |
| 3.4 攻击测试和模型重训练 | 第41页 |
| 3.5 本章小结 | 第41-43页 |
| 第四章 原型工具设计实现 | 第43-51页 |
| 4.1 工具特点分析 | 第43页 |
| 4.2 工具的模块划分 | 第43-49页 |
| 4.2.1 数据收集模块 | 第44-45页 |
| 4.2.2 数据预处理模块 | 第45-46页 |
| 4.2.3 数据模式挖掘模块 | 第46-47页 |
| 4.2.4 测试数据生成模块 | 第47页 |
| 4.2.5 数据发送/接收模块 | 第47-48页 |
| 4.2.6 日志记录模块 | 第48-49页 |
| 4.2.7 可视化模块 | 第49页 |
| 4.3 部分工具模块截图和结果展示 | 第49-50页 |
| 4.3.1 部分工具模块截图 | 第49页 |
| 4.3.2 结果展示 | 第49-50页 |
| 4.4 本章小结 | 第50-51页 |
| 第五章 实验分析和评估 | 第51-63页 |
| 5.1 实验评估指标 | 第51-53页 |
| 5.1.1 测试用例接受率 | 第51-52页 |
| 5.1.2 漏洞发现能力 | 第52页 |
| 5.1.3 数据多样性维持 | 第52页 |
| 5.1.4 测试用例生成速度 | 第52-53页 |
| 5.1.5 训练时间 | 第53页 |
| 5.2 实验对象 | 第53页 |
| 5.3 实验数据收集 | 第53-54页 |
| 5.4 实验环境设置 | 第54页 |
| 5.4.1 硬件环境设置 | 第54页 |
| 5.4.2 模型参数设置 | 第54页 |
| 5.5 实验结果分析 | 第54-60页 |
| 5.5.1 模拟从站中发现的异常 | 第54-56页 |
| 5.5.2 在不同评价指标上的对比 | 第56-59页 |
| 5.5.3 与传统方法的对比 | 第59-60页 |
| 5.6 通用性分析 | 第60-61页 |
| 5.7 本章小结 | 第61-63页 |
| 第六章 结语 | 第63-67页 |
| 6.1 本文工作总结 | 第63-64页 |
| 6.2 未来工作展望 | 第64-67页 |
| 附录 | 第67-71页 |
| 参考文献 | 第71-75页 |
| 致谢 | 第75-77页 |
| 攻读硕士学位期间的科研成果 | 第77页 |
