網絡安全異常分析與防禦技術

劉延華，博士，福州大學教授、博士生導師。現任福建省大數據產業技術創新研究院副院長，大數據智能教育部工程研究中心和福建省網絡計算與智能信息處理重點實驗室骨幹成員，福州大學中信網安數據安全創新實驗室負責人。兼任福州大學至誠學院計算機工程系主任，CCF高級會員、CCF互聯網專委會執行委員。長期從事網絡空間安全、數據安全、知識圖譜應用技術等研發工作，主持科研項目20多項，發表學術論文60多篇，研究成果獲福建省科技進步獎二等獎、三等獎和中國安全生產協會安全科技進步獎二等獎等科研獎勵7項。 郭文忠，博士，教授，博士生導師，“百千萬人才工程”國家級人選，國家有突出貢獻中青年專家稱號，福建省科技創新領軍人才，享受國務院政府特殊津貼人員。長期從事多媒體智能信息處理、網絡計算與分析、數據挖掘等方面的研究工作，主持國家重點研發計劃、國家自然科學基金區域創新發展聯合基金項目30多項，獲教育部自然科學獎一等獎1項、福建省科技進步獎一等獎3項和中國計算機學會科技進步獎傑出獎1項等，主持省級及以上教改項目8項，在《中國大學教學》《高等理科教育》等刊物發表教改論文近10篇，獲福建省高等教育教學成果獎特等獎2項等。

目 錄 　　 　　 　　 　　 第1章 緒論 1 1.1 網絡空間安全 1 1.1.1 新的安全態勢 1 1.1.2 基本概念 1 1.2 網絡安全異常分析技術 2 1.2.1 基本概念 2 1.2.2 關鍵技術 3 1.2.3 主要應用 5 1.2.4 發展現狀 7 1.3 網絡安全防禦技術 10 1.3.1 傳統防禦技術 10 1.3.2 新興防禦技術 11 1.4 當前存在的問題和未來發展方向 13 1.4.1 當前存在的問題 13 1.4.2 未來發展方向 13 1.5 本章小結 14 參考文獻 15 第2章 基礎知識 17 2.1 網絡安全異常檢測 17 2.1.1 基本概念 17 2.1.2 方法論 17 2.2 基於監督學習的網絡安全異常檢測技術 20 2.2.1 基本概念 20 2.2.2 基於監督學習的網絡安全異常檢測算法 21 2.2.3 監督學習在網絡安全異常檢測中的研究現狀 22 2.3 基於半監督學習和無監督學習的網絡安全異常檢測技術 23 2.3.1 半監督學習的基本概念 23 2.3.2 基於半監督學習的網絡安全異常檢測算法 23 2.3.3 無監督學習的基本概念 25 2.3.4 基於無監督學習的網絡安全異常檢測算法 25 2.3.5 半監督和無監督學習在網絡安全異常檢測中的研究現狀 26 2.4 網絡安全事件 28 2.4.1 基本概念 28 2.4.2 網絡安全事件類型 28 2.4.3 網絡安全事件分析與威脅評估 29 2.5 攻防博弈模型 30 2.5.1 基本概念 30 2.5.2 攻防博弈模型建立 31 2.5.3 攻防博弈模型求解 32 2.5.4 攻防博弈模型的研究現狀 33 2.6 本章小結 34 參考文獻 34 第3章 有監督的網絡安全異常分析技術 37 3.1 基於聯邦增量學習的SDN流量分析方法 37 3.1.1 SDN環境下的DDoS攻擊流量分析 37 3.1.2 模型架構 39 3.1.3 算法步驟 43 3.1.4 實驗分析 45 3.2 基於XGBoost的態勢預測方法 49 3.2.1 態勢預測技術分析 49 3.2.2 模型架構 50 3.2.3 實驗分析 52 3.3 面向邊緣設備的輕量級DDoS攻擊實時檢測方法 55 3.3.1 物聯網邊緣設備異常檢測分析 56 3.3.2 模型架構 56 3.3.3 算法步驟 64 3.3.4 實驗分析 66 3.4 基於WGAN的集成學習惡意代碼檢測方法 71 3.4.1 惡意代碼檢測分析 71 3.4.2 模型架構 71 3.4.3 算法步驟 78 3.4.4 實驗分析 79 3.5 基於改進ACGAN遷移學習的惡意代碼檢測方法 84 3.5.1 基於圖像分析的惡意代碼檢測技術 84 3.5.2 模型架構 85 3.5.3 算法步驟 87 3.5.4 實驗分析 88 3.6 本章小結 93 參考文獻 94 第4章 半監督與無監督的網絡安全異常分析技術 97 4.1 惡意代碼檢測模型的對抗樣本生成方法 98 4.1.1 機器學習模型的對抗訓練技術分析 98 4.1.2 模型架構 98 4.1.3 算法步驟 101 4.1.4 實驗分析 104 4.2 雲中心上的物聯網流量異常檢測方法 109 4.2.1 中心化物聯網系統的安全現狀分析 109 4.2.2 模型架構 110 4.2.3 算法步驟 114 4.2.4 實驗分析 115 4.3 物聯網異常檢測模型的多場景遷移學習方法 120 4.3.1 多場景下的物聯網異常檢測問題分析 120 4.3.2 模型架構 121 4.3.3 實驗分析 126 4.4 面向可視化的多層次關聯異常主機識別方法 129 4.4.1 可視化在安全分析中的智能性問題分析 129 4.4.2 模型架構 130 4.4.3 算法步驟 132 4.4.4 實驗分析 134 4.5 本章小結 135 參考文獻 136 第5章 網絡安全事件還原技術 138 5.1 面向網絡公害治理的多模態知識表示方法 138 5.1.1 網絡公害治理中的多模態知識表示 138 5.1.2 模型架構 139 5.1.3 算法步驟 143 5.1.4 實驗分析 145 5.2 面向網絡拓撲的資產重要性評估方法 147 5.2.1 關鍵資產保護的動態風險控制分析 147 5.2.2 模型架構 148 5.2.3 算法步驟 157 5.2.4 實驗分析 160 5.3 基於脆弱性利用的攻擊路徑圖自動生成方法 163 5.3.1 網絡攻擊路徑分析 163 5.3.2 模型架構 164 5.3.3 算法步驟 168 5.3.4 實驗分析 169 5.4 基於決策樹的態勢特征提取技術研究 172 5.4.1 態勢特征提取技術研究 172 5.4.2 模型架構 173 5.4.3 算法步驟 182 5.4.4 實驗分析 183 5.5 本章小結 187 參考文獻 187 第6章 網絡安全動態防禦技術 190 6.1 網絡攻擊意圖識別技術 190 6.1.1 網絡攻擊意圖識別研究 190 6.1.2 模型架構 191 6.1.3 算法步驟 197 6.1.4 實驗分析 198 6.2 基於AHP和雲模型的網絡攻擊面評估方法 201 6.2.1 網絡攻擊面評估研究 201 6.2.2 模型架構 201 6.2.3 算法步驟 208 6.2.4 實驗分析 212 6.3 基於OpenFlow的IP地址跳變機制 216 6.3.1 IP地址跳變機制研究 216 6.3.2 模型架構 217 6.3.3 算法步驟 220 6.3.4 實驗分析 220 6.4 本章小結 224 參考文獻 225 第7章 網絡安全知識圖譜技術 227 7.1 面向網絡攻擊風險的知識圖譜構建 227 7.1.1 網絡攻擊風險研究現狀 227 7.1.2 網絡攻擊風險知識圖譜構建 228 7.1.3 實驗分析 232 7.2 基於假定攻擊意圖的知識圖譜構建 234 7.2.1 攻擊意圖研究現狀 234 7.2.2 假定攻擊意圖知識圖譜構建 234 7.2.3 實驗分析 241 7.3 面向網絡安全的知識圖譜構建 243 7.3.1 網絡安全問題研究現狀 243 7.3.2 網絡安全知識圖譜構建 243 7.3.3 實驗分析 255 7.4 面向網絡公害的知識圖譜構建 258 7.4.1 網絡公害治理研究現狀 258 7.4.2 網絡公害知識圖譜構建 258 7.4.3 實驗分析 268 7.5 本章小結 271 參考文獻 271 第8章 網絡安全異常分析發展趨勢 273 8.1 大數據環境下的網絡安全異常分析 273 8.1.1 問題與挑戰 274 8.1.2 技術需求與現狀 274 8.1.3 應用案例分析 275 8.1.4 未來趨勢與展望 276 8.2 結合隱私保護的網絡安全異常分析 276 8.2.1 問題與挑戰 277 8.2.2 技術需求與現狀 277 8.2.3 未來趨勢 278 8.3 可解釋的網絡安全異常分析 279 8.3.1 問題與挑戰 279 8.3.2 現狀與未來趨勢 280 8.4 基於大模型的網絡安全異常分析 280 8.4.1 大模型對異常分析的優勢 281 8.4.2 研究現狀 281 8.4.3 問題與未來趨勢 282 8.5 本章小結 283 參考文獻 284