书名：网络*异常分析与防御技术
定价：179.8
ISBN：9787115685780
作者：刘延华、郭文忠
版次：第1版
出版时间：2026-08

内容提要：
网络*异常分析与防御技术通过智能检测与动态对抗手段，破解了传统*机制滞后于新型攻击的困境，达成“攻防一体，智能预判”的防护目标。本书从复杂网络环境下的*挑战切入，系统梳理网络*异常分析的理论基础与关键技术，涵盖监督学习、半监督学习与无监督学习方法，以及网络*事件还原技术、动态防御技术、知识图谱技术等内容，深入解析如何实现“威胁早预警，防御自适应”的主动*生态，并结合攻击意图推理、资产风险评估等场景构建动态防御闭环。 本书适合网络*领域研究人员、AI*工程师、网络攻防技术从业者阅读，可供网络空间*专业研究生参考，也可作为企事业单位网络*运维团队的关键技术指南。



作者简介：
刘延华，博士，福州大学教授、博士生导师。现任福建省大数据产业技术创新研究院副院长，大数据智能*工程研究中心和福建省网络计算与智能信息处理重点实验室骨干成员，福州大学中信网安数据*创新实验室负责人。兼任福州大学*诚学院计算机工程系主任，CCF*会员、CCF互联网专委会执行委员。长期从事网络空间*、数据*、知识图谱应用技术等研发工作，主持科研项目20多项，发表学术论文60多篇，研究成果获福建省科技进步奖二等奖、三等奖和中国*生产协会*科技进步奖二等奖等科研奖励7项。 郭文忠，博士，教授，博士生导师，“百千万人才工程”*人选，国家有突出贡献中青年*称号，福建省科技创新领军人才，享受国务院政府特殊津贴人员。长期从事多媒体智能信息处理、网络计算与分析、数据挖掘等方面的研究工作，主持国家重点研发计划、国家自然科学基金区域创新发展联合基金项目30多项，获*自然科学奖一等奖1项、福建省科技进步奖一等奖3项和中国计算机学会科技进步奖杰出奖1项等，主持省级及以上教改项目8项，在《中国大学教学》《高等理科教育》等刊物发表教改论文近10篇，获福建省高等教育教学成果奖特等奖2项等。

目录：
目 录
　　
　　
　　
　　
第1章 绪论 1
1.1 网络空间* 1
1.1.1 新的*态势 1
1.1.2 基本概念 1
1.2 网络*异常分析技术 2
1.2.1 基本概念 2
1.2.2 关键技术 3
1.2.3 主要应用 5
1.2.4 发展现状 7
1.3 网络*防御技术 10
1.3.1 传统防御技术 10
1.3.2 新兴防御技术 11
1.4 当前存在的问题和未来发展方向 13
1.4.1 当前存在的问题 13
1.4.2 未来发展方向 13
1.5 本章小结 14
参考文献 15
第2章 基础知识 17
2.1 网络*异常检测 17
2.1.1 基本概念 17
2.1.2 方法论 17
2.2 基于监督学习的网络*异常检测技术 20
2.2.1 基本概念 20
2.2.2 基于监督学习的网络*异常检测算法 21
2.2.3 监督学习在网络*异常检测中的研究现状 22
2.3 基于半监督学习和无监督学习的网络*异常检测技术 23
2.3.1 半监督学习的基本概念 23
2.3.2 基于半监督学习的网络*异常检测算法 23
2.3.3 无监督学习的基本概念 25
2.3.4 基于无监督学习的网络*异常检测算法 25
2.3.5 半监督和无监督学习在网络*异常检测中的研究现状 26
2.4 网络*事件 28
2.4.1 基本概念 28
2.4.2 网络*事件类型 28
2.4.3 网络*事件分析与威胁评估 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现状 33
2.6 本章小结 34
参考文献 34
第3章 有监督的网络*异常分析技术 37
3.1 基于联邦增量学习的SDN流量分析方法 37
3.1.1 SDN环境下的DDoS攻击流量分析 37
3.1.2 模型架构 39
3.1.3 算法步骤 43
3.1.4 实验分析 45
3.2 基于XGBoost的态势预测方法 49
3.2.1 态势预测技术分析 49
3.2.2 模型架构 50
3.2.3 实验分析 52
3.3 面向边缘设备的轻量级DDoS攻击实时检测方法 55
3.3.1 物联网边缘设备异常检测分析 56
3.3.2 模型架构 56
3.3.3 算法步骤 64
3.3.4 实验分析 66
3.4 基于WGAN的集成学习恶意代码检测方法 71
3.4.1 恶意代码检测分析 71
3.4.2 模型架构 71
3.4.3 算法步骤 78
3.4.4 实验分析 79
3.5 基于改进ACGAN迁移学习的恶意代码检测方法 84
3.5.1 基于图像分析的恶意代码检测技术 84
3.5.2 模型架构 85
3.5.3 算法步骤 87
3.5.4 实验分析 88
3.6 本章小结 93
参考文献 94
第4章 半监督与无监督的网络*异常分析技术 97
4.1 恶意代码检测模型的对抗样本生成方法 98
4.1.1 机器学习模型的对抗训练技术分析 98
4.1.2 模型架构 98
4.1.3 算法步骤 101
4.1.4 实验分析 104
4.2 云中心上的物联网流量异常检测方法 109
4.2.1 中心化物联网系统的*现状分析 109
4.2.2 模型架构 110
4.2.3 算法步骤 114
4.2.4 实验分析 115
4.3 物联网异常检测模型的多场景迁移学习方法 120
4.3.1 多场景下的物联网异常检测问题分析 120
4.3.2 模型架构 121
4.3.3 实验分析 126
4.4 面向可视化的多层次关联异常主机识别方法 129
4.4.1 可视化在*分析中的智能性问题分析 129
4.4.2 模型架构 130
4.4.3 算法步骤 132
4.4.4 实验分析 134
4.5 本章小结 135
参考文献 136
第5章 网络*事件还原技术 138
5.1 面向网络公害治理的多模态知识表示方法 138
5.1.1 网络公害治理中的多模态知识表示 138
5.1.2 模型架构 139
5.1.3 算法步骤 143
5.1.4 实验分析 145
5.2 面向网络拓扑的资产重要性评估方法 147
5.2.1 关键资产保护的动态风险控制分析 147
5.2.2 模型架构 148
5.2.3 算法步骤 157
5.2.4 实验分析 160
5.3 基于脆弱性利用的攻击路径图自动生成方法 163
5.3.1 网络攻击路径分析 163
5.3.2 模型架构 164
5.3.3 算法步骤 168
5.3.4 实验分析 169
5.4 基于决策树的态势特征提取技术研究 172
5.4.1 态势特征提取技术研究 172
5.4.2 模型架构 173
5.4.3 算法步骤 182
5.4.4 实验分析 183
5.5 本章小结 187
参考文献 187
第6章 网络*动态防御技术 190
6.1 网络攻击意图识别技术 190
6.1.1 网络攻击意图识别研究 190
6.1.2 模型架构 191
6.1.3 算法步骤 197
6.1.4 实验分析 198
6.2 基于AHP和云模型的网络攻击面评估方法 201
6.2.1 网络攻击面评估研究 201
6.2.2 模型架构 201
6.2.3 算法步骤 208
6.2.4 实验分析 212
6.3 基于OpenFlow的IP地址跳变机制 216
6.3.1 IP地址跳变机制研究 216
6.3.2 模型架构 217
6.3.3 算法步骤 220
6.3.4 实验分析 220
6.4 本章小结 224
参考文献 225
第7章 网络*知识图谱技术 227
7.1 面向网络攻击风险的知识图谱构建 227
7.1.1 网络攻击风险研究现状 227
7.1.2 网络攻击风险知识图谱构建 228
7.1.3 实验分析 232
7.2 基于假定攻击意图的知识图谱构建 234
7.2.1 攻击意图研究现状 234
7.2.2 假定攻击意图知识图谱构建 234
7.2.3 实验分析 241
7.3 面向网络*的知识图谱构建 243
7.3.1 网络*问题研究现状 243
7.3.2 网络*知识图谱构建 243
7.3.3 实验分析 255
7.4 面向网络公害的知识图谱构建 258
7.4.1 网络公害治理研究现状 258
7.4.2 网络公害知识图谱构建 258
7.4.3 实验分析 268
7.5 本章小结 271
参考文献 271
第8章 网络*异常分析发展趋势 273
8.1 大数据环境下的网络*异常分析 273
8.1.1 问题与挑战 274
8.1.2 技术需求与现状 274
8.1.3 应用案例分析 275
8.1.4 未来趋势与展望 276
8.2 结合隐私保护的网络*异常分析 276
8.2.1 问题与挑战 277
8.2.2 技术需求与现状 277
8.2.3 未来趋势 278
8.3 可解释的网络*异常分析 279
8.3.1 问题与挑战 279
8.3.2 现状与未来趋势 280
8.4 基于大模型的网络*异常分析 280
8.4.1 大模型对异常分析的优势 281
8.4.2 研究现状 281
8.4.3 问题与未来趋势 282
8.5 本章小结 283
参考文献 284