| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 1 绪论 | 第9-15页 |
| 1.1 研究背景与意义 | 第9-11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.2.1 国外研究现状 | 第11-12页 |
| 1.2.2 国内研究现状 | 第12-13页 |
| 1.2.3 国内外研究存在问题 | 第13页 |
| 1.3 本文主要内容和论文框架 | 第13-15页 |
| 2 网络安全态势感知 | 第15-21页 |
| 2.1 网络安全态势感知基本概念 | 第15-17页 |
| 2.2 网络安全态势感知相关技术 | 第17-20页 |
| 2.2.1 数据挖掘技术 | 第17-18页 |
| 2.2.2 数据融合技术 | 第18-19页 |
| 2.2.3 态势评估技术 | 第19页 |
| 2.2.4 态势预测技术 | 第19-20页 |
| 2.2.5 态势可视化技术 | 第20页 |
| 2.3 本章小结 | 第20-21页 |
| 3 改进的网络安全态势评估模型 | 第21-25页 |
| 3.1 传统网络安全态势评估模型 | 第21-23页 |
| 3.2 改进网络安全态势评估模型 | 第23-24页 |
| 3.3 本章小结 | 第24-25页 |
| 4 基于改进AMCPSO-DS证据理论的评估算法研究 | 第25-39页 |
| 4.1 D-S证据理论 | 第25-28页 |
| 4.2 粒子群优化算法 | 第28-33页 |
| 4.2.1 粒子群算法基本概念 | 第28-30页 |
| 4.2.2 跨层自适应变异粒子群算法 | 第30-33页 |
| 4.3 威胁量化评估 | 第33-35页 |
| 4.4 实验结果分析 | 第35-38页 |
| 4.4.1 信息融合性能分析 | 第36-37页 |
| 4.4.2 态势评估结果 | 第37-38页 |
| 4.5 本章小结 | 第38-39页 |
| 5 基于RBF神经网络的网络安全态势预测 | 第39-57页 |
| 5.1 神经网络 | 第39-47页 |
| 5.1.1 神经网络理论 | 第39-43页 |
| 5.1.2 神经元学习算法 | 第43页 |
| 5.1.3 径向基神经网络基本概念 | 第43-47页 |
| 5.2 改进的RBF神经网络 | 第47-55页 |
| 5.2.1 模糊C-均值聚类 | 第47-48页 |
| 5.2.2 遗传算法与混合递阶遗传算法 | 第48-55页 |
| 5.3 预测分析 | 第55-56页 |
| 5.4 本章小结 | 第56-57页 |
| 结论 | 第57-59页 |
| 6.1 总结 | 第57页 |
| 6.2 展望 | 第57-59页 |
| 参考文献 | 第59-63页 |
| 后记(含致谢) | 第63-64页 |
| 攻读学位期间取得的科研成果清单 | 第64页 |