| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 绪论 | 第11-18页 |
| 1.1 选题背景及意义 | 第11-13页 |
| 1.2 国内外研究现状 | 第13-16页 |
| 1.2.1 网络安全态势预测的研究现状 | 第13-14页 |
| 1.2.2 网络安全态势预测方法的研究现状 | 第14-15页 |
| 1.2.3 支持向量机的发展及应用现状 | 第15-16页 |
| 1.3 论文的主要工作及组织结构 | 第16-18页 |
| 第2章 网络安全态势的概述 | 第18-28页 |
| 2.1 网络安全概述 | 第18-19页 |
| 2.2 国内外网络安全评价标准 | 第19-23页 |
| 2.2.1 我国的信息安全评价标准(GB17859-1999) | 第19-20页 |
| 2.2.2 美国可信任计算机标准评价准则TCSEC | 第20-23页 |
| 2.2.3 其他网络安全评价标准 | 第23页 |
| 2.3 网络安全态势感知概述及态势预测 | 第23-27页 |
| 2.3.1 网络安全态势感知 | 第23-25页 |
| 2.3.2 网络安全态势可预测性研究方法 | 第25-27页 |
| 2.4 本章小结 | 第27-28页 |
| 第3章 支持向量机算法研究 | 第28-42页 |
| 3.1 统计学习理论 | 第28-32页 |
| 3.1.1 机器学习 | 第28-29页 |
| 3.1.2 VC维与推广性的界 | 第29-30页 |
| 3.1.3 结构风险最小化 | 第30-32页 |
| 3.2 支持向量机 | 第32-39页 |
| 3.2.1 支持向量机模型 | 第32-34页 |
| 3.2.2 核函数 | 第34-36页 |
| 3.2.3 松弛变量和惩罚参数 | 第36页 |
| 3.2.4 SVM系列算法 | 第36-39页 |
| 3.3 支持向量机多分类问题 | 第39-41页 |
| 3.3.1 一对多算法 | 第39页 |
| 3.3.2 一对一算法 | 第39-40页 |
| 3.3.3 DDAG方法 | 第40页 |
| 3.3.4 二叉树支持向量机 | 第40-41页 |
| 3.4 本章小结 | 第41-42页 |
| 第4章 网络安全态势预测模型的设计 | 第42-51页 |
| 4.1 网络安全态势值的评估 | 第42-44页 |
| 4.2 网络安全态势可预测性研究 | 第44-46页 |
| 4.3 网络安全态势预测模型设计 | 第46-48页 |
| 4.3.1 时间序列模型 | 第46-47页 |
| 4.3.2 基于支持向量机的预测模型设计 | 第47-48页 |
| 4.4 模拟退火算法对SVM参数的优化 | 第48-50页 |
| 4.5 本章小结 | 第50-51页 |
| 第5章 网络安全态势预测模型仿真实现与比较 | 第51-67页 |
| 5.1 样本数据描述和预处理 | 第51-58页 |
| 5.1.1 样本特征 | 第51-52页 |
| 5.1.2 攻击类型 | 第52-55页 |
| 5.1.3 网络拓扑图及威胁分析 | 第55-57页 |
| 5.1.4 实验数据的预处理 | 第57-58页 |
| 5.2 实现网络安全态势预测模型 | 第58-61页 |
| 5.2.1 选择核函数 | 第58-59页 |
| 5.2.2 模拟退火算法寻找最优参数 | 第59-60页 |
| 5.2.3 训练支持向量机 | 第60-61页 |
| 5.3 测试网络安全态势预测模型 | 第61-64页 |
| 5.4 模拟退火算法与交叉检验在SVM参数优化中的比较 | 第64-66页 |
| 5.4.1 交叉验证 | 第64页 |
| 5.4.2 K-CV交叉验证 | 第64-65页 |
| 5.4.3 几种方法确定的支持向量机参数对比与分析 | 第65-66页 |
| 5.5 本章小结 | 第66-67页 |
| 第6章 总结与展望 | 第67-69页 |
| 6.1 论文工作总结 | 第67-68页 |
| 6.2 下一阶段的工作 | 第68-69页 |
| 参考文献 | 第69-74页 |
| 致谢 | 第74页 |
