隨著互聯(lián)網(wǎng)、移動互聯(lián)網(wǎng)以及物聯(lián)網(wǎng)的不斷普及,當前的網(wǎng)絡環(huán)境不斷趨于復雜化。因此網(wǎng)絡安全威脅的種類、嚴重性不斷增加,傳統(tǒng)的網(wǎng)絡安全防護手段迎來了巨大的挑戰(zhàn)。而網(wǎng)絡安全態(tài)勢感知不僅能夠對當前的網(wǎng)絡環(huán)境的安全狀態(tài)變化形成及時的監(jiān)測,而且能夠基于收集的網(wǎng)絡歷史數(shù)據(jù)對未來一段時間內的網(wǎng)絡發(fā)展態(tài)勢進行有效預測,因此網(wǎng)絡安全態(tài)勢感知技術有很大的研究價值。本文對網(wǎng)絡安全態(tài)勢感知技術中態(tài)勢評估和態(tài)勢預測進行深入研究,本文的研究內容如下:1.分析并結合真實網(wǎng)絡防御數(shù)據(jù)集（CSE-CIC-IDS2018）相關數(shù)據(jù)內容,構建網(wǎng)絡安全態(tài)勢評估指標體系。該指標體系將態(tài)勢要素從脆弱性、容災性、威脅性和穩(wěn)定性四個方面進行劃分,并提出標稱型二級指標的量化公式,使得態(tài)勢要素能從不同的維度綜合衡量網(wǎng)絡環(huán)境的安全狀態(tài)。2.提出一種基于遺傳算法優(yōu)化改進的支持向量機模型參數(shù)的算法實現(xiàn)網(wǎng)絡安全的態(tài)勢評估。本文通過分析線性核函數(shù)與高斯核函數(shù)的特性,實現(xiàn)一種新的融合核函數(shù),其能夠動態(tài)的兼顧全局與局部特征。同時為了解決傳統(tǒng)支持向量機算法采用網(wǎng)格搜索方式進行參數(shù)尋優(yōu)的效率較低和陷入局部最優(yōu)解的缺點,本文采用遺傳算法對改進的支持向量機算法的... 

【文章來源】：南京郵電大學江蘇省

【文章頁數(shù)】：74 頁

【學位級別】：碩士

【部分圖文】：

移動互聯(lián)網(wǎng)接入流量由于人工智能(AI)、區(qū)塊鏈和霧計算技術的發(fā)展以及一些科技公司的推進，近年來物聯(lián)網(wǎng)

南京郵電大學碩士研究生學位論文第一章緒論6豐富。1.2.2神經(jīng)網(wǎng)絡在網(wǎng)絡安全態(tài)勢感知模型中的應用機器學習是一門眾多領域交匯形成的學科領域，其涉及到概率論、統(tǒng)計學、多媒體、圖形學等許多學科內容，因此各類學科技術的研究進展都能給機器學習帶來巨大發(fā)展，同時機器學習也為許多領域提供了重要的技術支撐，例如生物信息、金融管理、電氣領域等，因此機器學習是目前最主要的研究熱點之一[31]。機器學習通常按其學習的方式可以分為無監(jiān)督學習和有監(jiān)督學習這兩大類算法，機器學習的各類別常用算法如下圖1.2所示。圖1.2機器學習分類神經(jīng)網(wǎng)絡作為機器學習中重要的一個研究分支，能夠有效的解決各類非線性復雜化問題[32]，其在網(wǎng)絡安全態(tài)勢感知模型中也有著眾多的研究與應用，以下將介紹神經(jīng)網(wǎng)絡在態(tài)勢評估和預測兩方面應用的研究現(xiàn)狀。(1)神經(jīng)網(wǎng)絡在態(tài)勢評估中的應用目前，神經(jīng)網(wǎng)絡在態(tài)勢評估中應用的研究大多處于淺層神經(jīng)網(wǎng)絡上。其應用通常采用BP(errorBackPropagation,誤差逆?zhèn)鞑?神經(jīng)網(wǎng)絡、模糊神經(jīng)網(wǎng)絡(FuzzyNeuralNetwork,FNN)等。周顯春等人[33]將態(tài)勢評估模型抽象成三層模型，并使用BP神經(jīng)網(wǎng)絡對模型進行訓練使其更加全面、準確，解決了態(tài)勢要素與評估結果不對應的問題。在現(xiàn)有的基于BP神經(jīng)網(wǎng)絡的網(wǎng)絡安全態(tài)勢評估模型的研究基礎上，Dong等人[34]以及Fu等人[35]都提出了改進的BP神經(jīng)網(wǎng)絡態(tài)勢評估模型。Dong等人結合布谷鳥搜索(CuckooSearch,CS)算法對BP神經(jīng)網(wǎng)絡的收斂速度慢、容易陷入局部最小值等缺點進行了改進，并引入動量因子和自適應學習率對算法進行了優(yōu)化，使得模型收斂速度更快，評估精度更高。Fu等人通過改進的自適應遺傳算法優(yōu)

南京郵電大學碩士研究生學位論文第二章相關背景知識介紹9第二章相關背景知識介紹本章節(jié)主要介紹本文中基于神經(jīng)網(wǎng)絡的網(wǎng)絡安全態(tài)勢感知系統(tǒng)研究與實現(xiàn)所涉及到的網(wǎng)絡安全態(tài)勢感知相關技術理論。首先介紹了網(wǎng)絡安全態(tài)勢感知中的Endsley態(tài)勢感知三層模型，并在該模型的基礎上對態(tài)勢要素提娶態(tài)勢評估和態(tài)勢預測相關技術進行展開介紹。網(wǎng)絡安全態(tài)勢感知概述目前，國內外設計的各種網(wǎng)絡安全態(tài)勢感知模型大多數(shù)還是基于Endsley態(tài)勢感知三層模型加以設計和改進的，Endsley的態(tài)勢感知三層模型如下圖2.1所示：圖2.1網(wǎng)絡安全態(tài)勢感知三層模型(a)態(tài)勢要素提取層：該層主要在數(shù)據(jù)收集器收集到的各種網(wǎng)絡數(shù)據(jù)中按定義的態(tài)勢指標體系篩選出相關態(tài)勢指標，并進行一些數(shù)據(jù)預處理操作，將處理的數(shù)據(jù)提供給后兩層使用。(b)態(tài)勢理解層：該層又叫做態(tài)勢評估層，主要對上一層獲取的態(tài)勢要素進行綜合分析，建立態(tài)勢要素與態(tài)勢值的映射關系，并結合網(wǎng)絡安全等級評估劃分表根據(jù)評估出來的態(tài)勢值確定當前網(wǎng)絡環(huán)境的安全等級。(c)態(tài)勢預測層：該主要結合態(tài)勢要素提取層獲取的態(tài)勢要素以及態(tài)勢評估層評估產(chǎn)生的態(tài)勢值進行時序預測，實時判斷出網(wǎng)絡環(huán)境在未來一段時間內的發(fā)展趨勢。本層是整個態(tài)勢感知模型的核心與最終目標，為網(wǎng)絡環(huán)境管理人員能快速的進行決策提供了保障。網(wǎng)絡安全態(tài)勢感知相關技術網(wǎng)絡安全態(tài)勢感知主要包含態(tài)勢要素提娶態(tài)勢評估以及態(tài)勢預測三個階段。以上三個


本文編號：3306804