网络安全态势感知中态势要素获取技术的研究

论文摘要

计算机和网络技术的不断发展,为我们的生活带来了很多方便,但由于网络的开放性和共享性,也不可避免的引入了安全隐患。目前针对网络设备和网络服务的攻击行为朝着组合式、分布式、间接式、复杂化的方向发展。在这种情况下开展网络安全态势感知的研究是非常有必要的。网络安全态势感知技术不同于以往的网络安全技术,它是一种主动的网络安全技术,通过态势提取、态势理解、态势预测三个过程来保证网络的安全。态势要素提取是整个态势感知过程的基础,意义重大,本文对态势要素提取技术进行了的研究,深入的研究了网络安全态势要素获取技术中的属性约简过程和分类过程。首先,针对属性约简技术中Pawlak经典粗糙集理论不适合处理网络数据这一问题,将粒度计算引入广义粗糙集理论中来对网络数据进行属性约简操作。在广义粗糙集的基础上对属性集合所蕴含知识的粒度进行量化描述,对属性的重要程度进行量化描述,并证明了相关性质,在此基础上提出了一种属性约简算法,通过该算法可以求得原属性集合的一个最优约简。其次,针对分类技术中BP神经网络容易陷入局部最小值、收敛速度慢的缺点,本文设计一种自适应遗传算法(IGA)来训练神经网络。在设计遗传算法的时候把种群划分为精英团体和普通团体两个部分,根据两个团体之间的适应度距离来自适应的调节种群的变异强度,从而可以避免种群早熟,进而更快的搜索到问题的全局最优解。最后,通过实验验证了本文于态势要素获取技术中所涉及的属性约简和分类这两方面所做的工作的有效性。先利用本文所设计的属性约简算法求得实验数据集的一个约简子集,然后分别用约简子集和原始数据集训练神经网络,通过对比不同数据集上神经网络的收敛性和泛化能力,验证了属性约简子集的优越性,进而验证了属性约简算法的有效性；并在约简子集上通过实验验证了本文所设计的IGA神经网络收敛速度快,分类精度高。

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 课题研究背景
• 1.2 课题研究现状
• 1.2.1 国外研究现状
• 1.2.2 国内研究现状
• 1.3 课题研究的内容
• 1.4 课题研究的意义
• 1.5 论文组织结构
• 第2章 基础知识及关键技术
• 2.1 态势感知基础知识分析
• 2.1.1 层次化NSSA模型
• 2.1.2 NSSA与IDS的比较
• 2.1.3 态势要素获取技术概述
• 2.2 属性约简技术介绍
• 2.2.1 对关系的描述
• 2.2.2 Pawlak粗糙集理论
• 2.2.3 关系信息系统与属性约简
• 2.2.4 广义粗糙集理论
• 2.3 人工神经网络
• 2.3.1 人工神经网络简介
• 2.3.2 多层前馈神经网络
• 2.3.3 感知器与delta法则
• 2.3.4 BP算法
• 2.4 遗传算法介绍
• 2.4.1 生物进化理论
• 2.4.2 遗传算法的基本思想
• 2.5 本章小结
• 第3章 设计基于知识粒度的属性约简算法
• 3.1 Pawlak粗糙集的局限性
• 3.2 广义粗糙集的引入
• 3.3 基于知识粒度的属性约简
• 3.3.1 对知识的粒度进行量化
• 3.3.2 相关性质的证明
• 3.3.3 对属性重要程度量化
• 3.3.4 属性约简算法的设计
• 3.4 属性约简实例分析
• 3.4.1 诱导相应关系
• 3.4.2 计算后继邻域
• 3.4.3 求次优属性子集
• 3.4.4 求最优属性子集
• 3.5 本章小结
• 第4章 设计用于训练神经网络的遗传算法
• 4.1 人工神经网络的引入
• 4.1.1 态势要素获取的本质分析
• 4.1.2 神经网络与分类
• 4.2 BP神经网络存在的问题
• 4.2.1 BP神经网络
• 4.2.2 BP神经网络的缺点
• 4.2.3 遗传算法优化技术
• 4.3 遗传算法的设计
• 4.3.1 算法具体细节
• 4.3.2 算法主要步骤
• 4.4 本章小结
• 第5章 实验过程及结果分析
• 5.1 实验数据集与实验环境
• 5.1.1 实验数据集介绍
• 5.1.2 实验样本及实验环境
• 5.2 实验过程及结果分析
• 5.2.1 数据预处理
• 5.2.2 对实验数据属性约简
• 5.2.3 属性约简子集性能分析
• 5.2.4 自适应遗传算法性能分析
• 5.3 本章小结
• 第6章 总结与展望
• 6.1 总结
• 6.2 展望
• 参考文献
• 致谢