基于攻击意图的网络安全态势感知研究

本书基于攻击指向性及大数据的4V特性建立攻击意图的定量模型，利用决策粗糙集等计算方法，实现从大数据中提取攻击意图；通过构建粒子群小波神经网络实现对态势值的计算；通过构成基于改进的LSTM神经网络的网络安全态势感知框架，实现细时间粒度的、高效的网络安全态势感知；构建模糊-隐马尔可夫模型，对未来攻击意图进行预测。本书可供网络空间安全、人工智能、大数据等专业的研究生阅读，也可供从事网络安全相关工作的工程技术人员及研究人员参考。

第1章 网络安全态势感知
1.1 网络安全态势感知研究范围
1.2 研究背景
1.3 研究目标
1.4 研究内容
第2章 网络安全态势感知综述
2.1 网络安全态势感知模型
2.2 网络安全态势要素提取模型
2.3 网络安全态势评估技术
2.4 网络安全态势预测技术
2.5 态势预测的经典模型
2.5.1 基于时间序列的态势预测模型
2.5.2 基于灰色理论的态势预测模型
第3章 基于并行约简的态势要素提取方法
3.1 粗糙集的基本理论
3.2 连续属性离散化
3.3 经典的属性约简算法
3.4 基于并行约简的态势要素提取算法
3.4.1 构建态势要素信息集合
3.4.2 建立态势要素属性重要度矩阵
3.4.3 算法描述
3.5 实验与分析
3.5.1 实验环境与数据集
3.5.2 性能评价指标
3.5.3 实验过程与结果分析
第4章 基于邻域粗糙集的态势要素提取方法
4.1 邻域粗糙集的基本理论
4.2 邻域半径的影响
4.3 基于邻域粗糙集的态势要素提取算法
4.3.1 邻域半径的设定
4.3.2 邻域并行约简
4.3.3 邻域属性重要度矩阵
4.3.4 算法描述
4.4 实验与分析
4.4.1 实验数据与评价标准
4.4.2 实验过程与结果分析
第5章 基于改进AMCPSO-DS证据理论的态势评估
5.1 基于改进AMCPSO-DS证据理论的态势评估模型
5.1.1 传统网络安全态势评估模型
5.1.2 改进网络安全态势评估模型
5.2 基于改进AMCPSO-DS证据理论的态势评估算法
5.2.1 D-S证据理论
5.2.2 粒子群优化算法
5.2.3 威胁量化评估
5.2.4 实验分析
第6章 基于CRIT-LSTM的网络安全态势评估与预测
6.1 对LSTM神经网络的改进
6.1.1 网络安全态势感知应用场景的问题分析
6.1.2 深层堆叠的深度神经网络结构
6.1.3 ReLU改进的LSTM单元结构
6.1.4 CE函数改进的损失评价过程
6.2 基于CRIT-LSTM的网络安全态势感知相关方法
6.2.1 网络安全态势感知流程
6.2.2 数据处理
6.2.3 态势量化
6.2.4 态势呈现
6.3 网络安全态势评估与预测
6.3.1 网络安全态势评估与预测框架
6.3.2 实现平台与数据集
6.3.3 网络安全态势理解与评估
6.3.4 网络安全态势预测
第7章 基于隐马尔可夫模型在复合式攻击预测
7.1 基于隐马尔可夫模型在复合式攻击预测模型
7.1.1 隐马尔可夫模型算法
7.1.2 对HMM建模算法的改进
7.1.3 复合式攻击的隐马尔可夫模型的建立
7.1.4 基于隐马尔可夫模型在复合式攻击中的预测
7.2 基于隐马尔可夫模型的预警系统的建立
7.2.1 系统设计目标
7.2.2 预警系统模型
7.2.3 预警系统的体系结构
7.3 实验分析
7.3.1 实验数据介绍
7.3.2 实验结果及分析
第8章 基于RBF神经网络的网络安全态势预测
8.1 改进的RBF神经网络
8.1.1 FCM算法
8.1.2 遗传算法与混合递阶遗传算法
8.2 实验分析
参考文献