学位专题

封面
声明
中文摘要
英文摘要
目录
第一章绪论
1.1 研究背景和意义
1.2 国内外研究现状
1.2.1 网络入侵检测研究现状
1.2.2 漏洞识别研究现状
1.3 论文研究内容
1.4 论文组织结构
第二章相关理论基础
2.1 网络入侵检测
2.1.1 网络入侵检测技术概述
2.1.2 网络入侵检测系统分类
2.2 系统安全漏洞
2.2.1 漏洞概述
2.2.2 漏洞来源与分类
2.3 深度学习
2.3.1 卷积神经网络CNN
2.3.2 注意力机制CBAM
2.3.3 长短期记忆网络LSTM
2.4 自然语言处理
2.4.1 互信息
2.4.2 Word2Vec
2.4.3 TF-IDF
2.5 本章小结
第三章基于ACNNBN-LSTM的网络入侵检测
3.1 基于ACNNBN-LSTM的网络入侵检测总框架
3.2 基于ACNNBN-LSTM的网络入侵检测模型
3.2.1 网络入侵数据集预处理层
3.2.2 ACNNBN层
3.2.3 LSTM层
3.2.4 全连接层
3.2.5 Dropout层
3.2.6 参数优化
3.3 ACNNBN-LSTM算法
3.3.1 ACNNBN算法
3.3.2 ACNNBN-LSTM算法
3.4 本章小结
第四章基于TFI-MI-W2V的TextACBL漏洞识别
4.1 基于TFI-MI-W2V的TextACBL漏洞识别总框架
4.2 基于TFI-MI-W2V算法的文本向量表示
4.2.1 TFI-MI关键词提取
4.2.2 W2V文本词向量表示
4.2.3 TFI-MI-W2V加权计算
4.2.4 TFI-MI-W2V算法实现
4.3 基于TextACBL的漏洞识别模型
4.3.1 漏洞语料预处理层
4.3.2 CA层
4.3.3 卷积层
4.3.4 BiLSTM层
4.3.5 层归一化层
4.3.6 参数优化
4.4 基于TFI-MI-W2V的TextACBL算法
4.5 本章小结
第五章实验结果与分析
5.1 数据集介绍
5.1.1 CIRA-CIC-DoHBrw-2020网络入侵数据集分析
5.1.2 NVD漏洞数据库分析
5.2 实验运行环境及参数设置
5.2.1 实验运行环境
5.2.2 实验参数设置
5.3 分类性能评估指标
5.4 仿真结果与分析
5.4.1 基于ACNNBN-LSTM网络入侵检测算法二分类性能分析
5.4.2 基于TextACBL漏洞识别算法多分类性能分析
5.5 本章小结
第六章总结与展望
6.1 论文总结
6.2 论文展望
参考文献
在读期间公开发表的论文
致谢