基于时间维层次化的网络安全态势评估技术研究

发布时间：2023-05-28 07:53

　　网络安全态势评估技术对于提升网络的监控能力、调度能力和预测安全趋势的发展具有指导意义,它要求从宏观的层面上综合多方面信息来判断网络系统的安全状态,重点在于对大规模网络中潜在的或已经出现的异常做出及时有效地监测,并做出符合实际情况的态势描述。网络态势评估的核心技术是利用数据挖掘或者机器学习算法等方法,融合网络系统中产生的多源异构数据,将其量化成为安全态势。借助网络安全态势可以对网络系统中出现的风险及时做出响应,从而减少不必要的损失。然而,现有的网络安全态势评估技术获得的态势值与实际情况有一定差异,并且通常只给出了网络系统在较短时间内的总体态势,表示方法较为笼统,不利于网络管理人员及时对网络系统异常情况进行排查和策略调度。针对上述问题,在对国内外相关论文研究的基础之上,本文提出了基于时间维层次化的网络安全态势评估模型,围绕其中关键模块取得以下几个方面研究成果:(1)根据网络异常数据的非均衡性和难以识别新异常类型的特点,本文提出了主动学习的非均衡异常数据分类算法作为异常检测模块,该算法从采样方法和算法策略两个层面进行改进。主动学习的采样方法提高了新类型样本的识别率,并结合改进后的分类算法,减...

【文章页数】：60 页

【学位级别】：硕士

【文章目录】：
摘要
abstract
第一章 绪论
    1.1 论文研究的背景与意义
    1.2 国内外研究现状
    1.3 论文主要内容
    1.4 论文章节结构
第二章 相关理论及关键技术
    2.1 网络安全态势感知经典模型
    2.2 基于时间维层次化的网络安全态势评估模型提出
    2.3 数据分类技术
        2.3.1 经典分类算法
        2.3.2 非均衡分类算法
    2.4 数据融合技术
        2.4.1 数据融合的概念
        2.4.2 数据融合的过程
        2.4.3 融合方法模型
        2.4.4 数据融合层次结构
    2.5 本章小结
第三章 主动学习的非均衡异常数据分类算法研究
    3.1 非均衡数据分类算法相关研究
    3.2 基于主动学习的采样方法
        3.2.1 主动学习采样流程
        3.2.2 查询函数Q
    3.3 基于组合分类算法的改进
        3.3.1 非均衡数据分类算法总体流程
        3.3.2 组合分类算法
        3.3.3 误分类代价函数
    3.4 实验结果及分析
        3.4.1 数据集划分及特征选择
        3.4.2 算法性能对比
        3.4.3 采样方式性能对比
        3.4.4 结果分析
    3.5 本章小结
第四章 基于改进TBM模型的层次化网络态势评估方法
    4.1 基于改进TBM模型的层次化网络态势评估
        4.1.1 TBM模型评估方法
        4.1.2 粒子群优化的T-S模糊径向基函数神经网络
        4.1.3 基于改进TBM模型的网络态势评估方法
    4.2 基于改进TBM模型的层次化网络态势评估过程
        4.2.1 数据采集
        4.2.2 构造BBA
        4.2.3 态势评估
    4.3 仿真实验
    4.4 本章小结
第五章 基于短长周期结合的网络安全态势评估
    5.1 短长周期划分
    5.2 指标动静态因素划分
    5.3 熵值法确定权重
        5.3.1 权重选择方法
        5.3.2 熵值法基本步骤
        5.3.3 熵值法改进
    5.4 实验仿真
        5.4.1 短周期态势值计算
        5.4.2 长周期态势值计算
    5.5 本章总结
第六章 总结与展望
    6.1 本文研究工作总结
    6.2 工作展望
参考文献
发表论文和科研情况说明
致谢



本文编号：3824247