基于深度学习的网络安全态势评估研究

发布时间：2022-11-05 01:17

　　随着社会的发展,互联网的规模也在不断增长,网络安全问题层出不穷。网络攻击不仅影响普通个人用户的网络环境,也严重危害到企业、政府甚至国家的网络安全。网络安全态势评估从整体出发,将多源异构的网络安全指标有效地融合在一起,全面描述当前网络环境,为网络管理决策者提供更为直观的网络安全概况。本文将深度学习应用到态势评估领域,采用一维卷积神经网络（1DCNN）提取态势特征,提出了多通道态势评估、态势特征自适应加权融合、多模型集成的态势评估新思路,具体工作如下:（1）针对当前网络安全态势评估领域中暂无统一数据集的问题,本文通过国家互联网应急中心（CNCERT）公开的网络安全信息与动态周报制作网络安全态势数据集。针对数据集中存在指标缺失和样本较少且轻微不平衡的问题,本文分别使用基于KNN的插补算法和Kmeans-SMOTE算法完善数据集;（2）针对传统网络安全态势评估人工干预多、机器学习方法往往忽略态势指标之间隐含关联等问题,本文提出基于深度学习和多通道机制的态势评估模型——MC-1DCNN（Multi Channel 1DCNN）。1DCNN的局部感知原理可利用态势指标位置信息,更好地学习相邻态势指... 

【文章页数】：75 页

【学位级别】：硕士

【文章目录】：
摘要
abstract
第一章 绪论
    1.1 研究工作的背景与意义
    1.2 国内外研究现状
        1.2.1 国外研究现状
        1.2.2 国内研究现状
    1.3 本文主要研究内容
    1.4 本论文的结构安排
第二章 网络安全态势评估相关理论和技术
    2.1 网络安全态势感知概述
    2.2 网络安全态势评估相关方法
        2.2.1 基于数学模型的方法
        2.2.2 基于知识推理的方法
        2.2.3 基于模式识别的方法
        2.2.4 三种评估方法的优缺点
    2.3 卷积神经网络
    2.4 态势评估评价指标
    2.5 本章小结
第三章 MC-1DCNN模型的结构与性能
    3.1 CNCERT及网络安全态势数据集
    3.2 基于1DCNN的态势特征提取
    3.3 基于多通道机制的态势评估
        3.3.1 态势指标分类
        3.3.2 多通道特征提取与融合
    3.4 MC-1DCNN态势评估模型
    3.5 实验与结果分析
        3.5.1 实验环境设置
        3.5.2 基于1DCNN的态势评估性能分析
        3.5.3 MC-1DCNN模型性能分析
        3.5.4 与其他模型对比分析
    3.6 本章小结
第四章 MC-1DCNN模型的进一步优化方法
    4.1 MC-1DCNN模型优化方法分析
    4.2 基于特征自适应加权融合的MC-1DCNN模型
    4.3 基于集成学习的MC-1DCNN模型
        4.3.1 集成学习机制
        4.3.2 基于加权bagging集成的MC-1DCNN模型
    4.4 实验与结果分析
        4.4.1 实验环境设置
        4.4.2 特征自适应加权融合性能分析
        4.4.3 加权bagging集成性能分析
    4.5 本章小结
第五章 全文总结与展望
    5.1 全文总结
    5.2 后续工作展望
致谢
参考文献
攻读硕士学位期间取得的成果



本文编号：3701650