导读:本文包含了态势要素论文开题报告文献综述及选题提纲参考文献，主要关键词:网络安全态势,反向传播神经网络,堆栈编码器,数据分析
态势要素论文文献综述
寇广,王硕,张达[1]（2019）在《基于深度堆栈编码器和反向传播算法的网络安全态势要素识别》一文中研究指出网络安全态势要素识别的基础是对态势数据集进行有效的特征提取。针对反向传播(BP)神经网络对海量安全态势信息数据学习时过度依赖数据标签的问题,该文提出一种结合深度堆栈编码器和反向传播算法的网络安全态势要素识别方法,通过无监督学习算法逐层训练网络,在此基础上堆迭得到深度堆栈编码器,利用编码器提取数据集特征,实现了网络的无监督训练。仿真实验验证了该方法能有效提升安全态势感知的效能和准确度。(本文来源于《电子与信息学报》期刊2019年09期）
朱江,王婷婷[2]（2019）在《基于BN-DBN的网络安全态势要素获取机制》一文中研究指出为了提高深度信念网络(DBN)的收敛速度以及提高小样本条件下的态势要素的获取精度,提出一种基于批量归一化(BN)的DBN安全态势要素获取机制。一方面在DBN中加入BN以解决梯度消失问题并稳定网络训练;另一方面在DBN输出层提出一种改进的主动学习(IAL)算法反向微调DBN,在每次迭代中主动选择训练样本来平衡样本种类。理论分析和实验数据仿真结果表明该机制能够解决DBN收敛速度过慢、梯度消失以及小类样本分类不准确问题,同时在获取精度、收敛速度以及算法复杂度上优于未改进的DBN态势要素获取机制。(本文来源于《计算机应用》期刊2019年S1期）
段咏程,王雨晴,李欣,杨乐[3]（2019）在《基于RSAR的随机森林网络安全态势要素提取》一文中研究指出网络安全态势要素提取是开展网络安全态势感知的前提性基础工作,同时也是直接影响网络安全态势感知系统性能的关键性工作之一。文章针对在复杂异构的网络环境下网络安全态势要素难以提取的问题,提出了一种基于粗糙集属性约简(Rough Set Attribute Reduction,RSAR)的随机森林网络安全态势要素提取方法。在该提取方法中,首先通过粗糙集理论确定数据集中每个属性的重要性,对重要程度低的属性进行约简,删除冗余属性;然后,使用随机森林分类器对约简后的数据集进行分类训练。为验证提出方法的有效性,文章使用入侵检测数据集对提出方法进行实验测试,实验结果表明,通过与传统提取方法相比,该方法有效地提高了态势要素提取的准确性,实现了高效提取网络安全态势要素。(本文来源于《信息网络安全》期刊2019年07期）
王婷婷[4]（2019）在《网络安全态势要素获取和预测技术的研究》一文中研究指出随着网络的不断发展,使得网络体系结构越来越复杂,对网络的整体安全要求越来越严格,如何确保网络的安全性是当下亟待解决的问题。网络安全态势感知技术能够动态地了解大规模网络的安全性,从大规模网络中建立完整统一的安全态势体系,从中提取态势要素对整体网络的安全性能进行分析,同时为整体网络提供安全策略,预测安全风险的动态变化趋势。因此,这种技术能够比较好地适应网络的安全性需求。本文主要针对网络安全态势要素获取和态势预测两方面展开研究,具体工作如下:第一,为了加快深度信念网络的收敛速度以及提高小样本条件下态势要素的获取精度,提出了一种基于批量归一化的深度信念网络安全态势要素获取机制。一方面在深度信念网络中加入批量归一化以解决梯度消失问题稳定网络训练;另一方面在深度信念网络输出层提出一种改进的主动学习算法反向微调深度信念网络,在每次迭代中主动选择训练样本来平衡样本种类。理论分析和实验数据仿真结果表明该机制能够解决深度神经网络收敛速度过慢或梯度消失,以及小类样本准确分类的问题。并在获取精度、收敛速度以及算法复杂度上优于未改进的深度信念网络态势要素获取机制。第二,为了提高网络安全态势预测的精度,利用生成对抗网络来模拟态势的发展过程,从时间维度实现态势预测。提出了一种基于差分Wasserstein生成对抗网络的网络安全态势预测机制。在基于生成对抗网络的态势预测过程中,为了解决生成对抗网络所具有的网络难以训练以及梯度不稳定问题,提出了利用Wasserstein距离作为生成对抗网络的损失函数,并在损失函数中添加差分项来提高态势值的分类精度。实验结果和理论分析表明,该机制相比其它机制而言在收敛性、预测精度和复杂度方面都具有一定的优势。(本文来源于《重庆邮电大学》期刊2019-06-02）
戚犇,王梦迪[5]（2017）在《基于信息增益的贝叶斯态势要素提取》一文中研究指出针对网络安全态势要素提取、约简、分类问题,文章对收集的网络数据,通过计算每个属性的信息增益约简,并通过信息增益设置权值,获得关联性强的态势因子。在朴素贝叶斯进行的安全态势因子分类中,对朴素贝叶斯算法进行了改进,加入了调控因子,提高了分类效果,并实现了对恶意攻击的检测。最后,用入侵检测数据集对改进的方法进行测试,并将得到的结果与传统的方法进行比较,得到了更好的效果。(本文来源于《第32次全国计算机安全学术交流会论文集》期刊2017-10-12）
王森[6]（2017）在《网络安全态势要素获取和预测技术研究》一文中研究指出随着互联网的广泛使用和各种应用的爆炸式增长,随之而来的网络安全风险也逐渐增大。现有安防技术只能在某一方面保障网络安全,相互之间缺乏协调机制,在这种形势下,网络安全态势感知作为一种主动防卫技术迅速成为当前的研究热点之一。态势感知是从大量的多源异构安全状态数据中提取态势要素,进而对网络安全状况进行评估和实时预测。本文利用自适应增强算法、改进粒子群算法和人工神经网络相结合对网络安全态势要素获取和态势预测进行研究,具体工作如下:第一,为了真实有效地提取网络安全态势要素信息,提出了一种基于增强型概率神经网络的层次化框架态势要素获取方法。在该层次化态势要素获取框架中,根据Agent节点功能的不同,划分为不同的层次。利用主成分分析(Principal Component Analysis,PCA)对训练样本属性进行约简并对特殊属性编码融合处理,按照处理结果改进概率神经网络(Probabilistic Neural Network,PNN)结构,以降低系统复杂度。然后以改进的PNN作为基分类器,结合自适应增强算法,通过基分类器反复迭代、样本权重更新,最后加权融合处理形成最终的强多分类器。实验结果表明,本文模型较文中其他几种方法具有较高的获取准确率和良好的泛化能力。第二,为了准确把握网络安全态势发展趋势,针对网络安全信息的动态性、非线性等特点,建立了一种基于IPSO-WNN的态势预测方法。首先选取非线性逼近能力、推广能力较强的小波神经网络(Wavelet Neural Network,WNN)建立预测模型,然后运用改进的粒子群优化算法(Improved Particle Swarm Optimization,IPSO)对模型参数进行优化。由于粒子群优化算法(Particle Swarm Optimization,PSO)存在容易早熟收敛、后期迭代效率不高等问题,因此本文优化方法在迭代过程中结合遗传算法中的变异因子、吸引力传播聚类(Affinity Propagation,AP)和高斯加权全局极值,从而提升了算法的全局寻优能力,改善模型性能。仿真分析表明,本文预测方法在提升算法收敛速度的同时也提高了态势预测精度。(本文来源于《重庆邮电大学》期刊2017-05-22）
明月[7]（2017）在《网络安全态势要素获取与评估技术研究》一文中研究指出随着互联网的发展和普及,网络对社会的影响越来越大,网络安全问题却变得越来越严重,并逐渐成为互联网、网络服务和应用进一步发展需要解决的关键问题。为了应对当前网络所面临的安全威胁,网络安全态势感知技术随之产生。它是在整合所有网络安全要素的基础上实现网络态势的评估并预测未来网络态势的发展趋势。本文针对网络安全态势感知中的要素获取和评估两个阶段做了深入研究,具体工作如下:第一,关于态势要素获取问题的研究,本文主要针对大规模网络态势要素获取时间复杂度较高和攻击样本不平衡导致样本数较少的攻击分类精度不高的问题,提出一种基于深度自编码网络的态势要素获取机制。在该机制下,利用优化后的深度自编码网络作为基分类器,识别数据类型。一方面,在自编码网络的逐层训练中,提出一种结合交叉熵函数和反向传播算法的训练规则,克服传统的方差代价函数更新权值过慢的问题;另一方面,在深度网络的微调和分类阶段,提出一种主动在线采样算法,通过在线选择用于更新网络权值的攻击样本,达到总样本的去冗余和平衡各类攻击样本数量的目的,从而提高小类攻击样本的分类精度。经对实例数据的仿真分析,该方案有较好的态势要素获取精度,并能有效减少数据传输时的通信开销。第二,在网络安全态势评估阶段的研究中,针对目前态势评估结构单一,考虑要素不全和太依赖专家经验等问题,提出了一种结合层次分析法和贝叶斯网络的态势评估方法。首先,建立层次化的态势评估模型,综合考虑网络自身状况、攻击行为、系统漏洞等要素,全面分析影响网络态势的各个指标;其次,采用改进的萤火虫算法优化层次分析法,从而求解出各个要素的权重值,克服指标的权重完全依赖主观经验的问题,并根据二级指标的具体权重确定贝叶斯网络的结构;最后,仿真结果表明该评估模型降低了专家经验对结果的影响,有效地提高了评估的可信度。(本文来源于《重庆邮电大学》期刊2017-03-15）
李红[8]（2017）在《基于粗糙集的网络安全态势要素提取研究》一文中研究指出先进技术推动互联网行业迅速发展,人们生活得到便利的同时不可避免的被网络安全问题困扰。现有的网络安全产品以被动防御为主,为了更好的应对复杂多变的网络攻击,网络安全态势感知技术作为一种主动的网络安全防御技术应运而生,通过态势提取、态势评估及态势预测叁个过程保障网络安全。态势要素提取技术是态势感知的基础,直接影响态势评估与预测的结果。本文以网络安全态势感知为应用背景,深入研究了适用于网络态势要素的提取方法。建立了基于粗糙集的态势要素提取模型及计算方法,用于提高态势要素提取的准确性,从而为网络工作者进行态势评估与预测提供更可靠的决策依据。主要工作包括以下几个部分:(1)探究构建态势要素提取模型归纳总结了网络安全态势感知技术与态势要素提取技术的相关概念,态势要素提取是整个态势感知过程的前提,态势要素质量至关重要,因此本文根据态势要素信息特点重新定义了态势要素提取的要求,构建出基于粗糙集的网络安全态势要素提取模型。(2)提出基于并行约简的态势要素提取方法态势要素原始数据具有数据量大且动态更新速度快的特点,传统约简算法不能应对态势要素数据约简要求,为解决这一问题本文提出一种基于并行约简的态势要素提取方法,在保证分类不受影响的情况下,将单个决策信息表扩展到多个,利用条件熵构造属性重要度矩阵,根据定义的并行约简规则删除冗余属性,从而实现对态势要素数据的精简与缩维,通过实例具体阐述了算法的具体流程。(3)提出基于邻域粗糙集的态势要素提取方法现实中的态势要素原始数据往往是多种数据类型并存的,通过离散化处理极容易影响态势要素的信息质量,为解决这一问题,本文提出一种基于邻域粗糙集的态势要素提取方法,该方法用邻域关系替代等价关系,可以直接处理连续型数据,从而避免数据类型转换过程中造成的数据信息丢失,同时为减少因人为设定邻域半径而导致的误差,本文采用标准差阈值集作为邻域划分标准,有效避免了人为操作对结果的影响,从而保障了态势要素提取的准确度。(4)验证态势要素提取方法的有效性针对本文提出的基于并行约简的态势要素提取方法与基于邻域粗糙集的态势要素提取方法分别进行仿真实验,选用网络安全数据集NSL-KDD进行测试,实验结果表明经过本文所提出的算法约简后的数据集相比原数据集进行攻击类型识别时在保证分类正确率不变的情况下分类建模时间明显缩短,相比其他约简算法具有较高的召回率和较低的误警率,从而有效证明本文所提算法在网络安全态势要素提取方面具有良好的性能。(本文来源于《河北师范大学》期刊2017-03-14）
汪岩[9]（2016）在《网络安全态势要素获取及评估方法研究》一文中研究指出随着互联网技术发展及其在现实生活中日益广泛的应用,传统的安全技术已经不能够很好地解决当前网络所面临的安全威胁,安全成为制约其发展的关键因素之一,网络安全态势感知技术随之产生。网络安全态势感知是一种自主安全防御机制,根据网络安全评估指标,在海量的安全数据中能有效地获取影响网络正常运行的安全态势要素,对网络安全状况进行客观合理的评估和预测,为管理员实施针对性的安全防御策略提供有利依据。本文主要针对态势感知过程中的态势要素获取以及态势评估两个阶段做了深入研究,主要内容包括以下两个方面:第一,关于态势要素获取问题的研究,本文主要针对无线传感器网络中节点处理能力较差,获取网络安全态势要素困难的问题,提出了一种层次化网络安全态势要素获取机制。在该机制中,采用支持向量机超球体分类算法作为基分类器,非负矩阵分解作为属性约简的方法,同时通过模糊分类算法所得的质心作为非负矩阵分解的初始化矩阵,解决了随机初始化导致分解不稳定,容易陷入局部最优的缺陷。在获取过程中,首先在汇聚节点完成分类规则和属性约减规则的学习,然后在簇头和汇聚节点做分类分析,从而降低了对感知节点的性能要求。仿真实验表明,本方案有较好的态势要素获取准确度和较低时间复杂度,同时降低了信息传输过程中的通信开销。第二,对于网络安全态势评估阶段的研究,本文主要针对评估过程中,对攻击事件缺乏关联性分析,提出了一种基于贝叶斯网络的多步攻击安全态势评估模型。在该模型中,首先通过关联分析挖掘多步攻击发生模式构建攻击图,有效地解决了多步攻击关联规则过于依赖专家知识和维护困难的问题。然后基于多步攻击图建立贝叶斯网络,将攻击意愿、攻击成功概率、事件监测正确率定义为贝叶斯网络概率属性。结合事件监测,通过贝叶斯网络后验推理和累积概率计算多步攻击风险,提高了风险计算的可靠性和实时性。最后,采用层次化量化评估方法对主机及整个网络的安全态势进行量化评估。经过实验仿真,该模型能够针对多步攻击进行关联性评估,为管理员分析实时网络安全状态提供依据。(本文来源于《重庆邮电大学》期刊2016-06-08）
李方伟,汪岩,朱江,张海波[10]（2016）在《无线传感器网络中层次化安全态势要素获取机制》一文中研究指出针对无线传感器网络中感知节点处理能力较差,获取网络安全态势要素困难的问题,提出一种层次化架构态势要素获取机制。在该架构中,采用支持向量机超球体多分类算法作为基分类器,非负矩阵分解算法作为属性约简的方法,采用模糊分类算法初始化该算法,解决随机初始化导致局部最优的缺陷。在汇聚节点完成对分类规则和属性约简规则的学习,分别在簇头和汇聚节点做分类分析,降低对感知节点性能要求。数据传输前进行属性约简,减小数据传输时的通信开销,提高分类器分类性能。仿真结果表明,该方案有较好的态势要素获取准确度和较低时间复杂度,降低了信息传输过程中的通信开销。(本文来源于《计算机工程与设计》期刊2016年03期）
态势要素论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
为了提高深度信念网络(DBN)的收敛速度以及提高小样本条件下的态势要素的获取精度,提出一种基于批量归一化(BN)的DBN安全态势要素获取机制。一方面在DBN中加入BN以解决梯度消失问题并稳定网络训练;另一方面在DBN输出层提出一种改进的主动学习(IAL)算法反向微调DBN,在每次迭代中主动选择训练样本来平衡样本种类。理论分析和实验数据仿真结果表明该机制能够解决DBN收敛速度过慢、梯度消失以及小类样本分类不准确问题,同时在获取精度、收敛速度以及算法复杂度上优于未改进的DBN态势要素获取机制。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
态势要素论文参考文献
[1].寇广,王硕,张达.基于深度堆栈编码器和反向传播算法的网络安全态势要素识别[J].电子与信息学报.2019
[2].朱江,王婷婷.基于BN-DBN的网络安全态势要素获取机制[J].计算机应用.2019
[3].段咏程,王雨晴,李欣,杨乐.基于RSAR的随机森林网络安全态势要素提取[J].信息网络安全.2019
[4].王婷婷.网络安全态势要素获取和预测技术的研究[D].重庆邮电大学.2019
[5].戚犇,王梦迪.基于信息增益的贝叶斯态势要素提取[C].第32次全国计算机安全学术交流会论文集.2017
[6].王森.网络安全态势要素获取和预测技术研究[D].重庆邮电大学.2017
[7].明月.网络安全态势要素获取与评估技术研究[D].重庆邮电大学.2017
[8].李红.基于粗糙集的网络安全态势要素提取研究[D].河北师范大学.2017
[9].汪岩.网络安全态势要素获取及评估方法研究[D].重庆邮电大学.2016
[10].李方伟,汪岩,朱江,张海波.无线传感器网络中层次化安全态势要素获取机制[J].计算机工程与设计.2016