| 摘要 | 第7-8页 |
| Abstract | 第8页 |
| 第一章 前言 | 第9-26页 |
| 1.1 入侵检测技术发展史 | 第9-16页 |
| 1.2 入侵检测技术研究 | 第16-22页 |
| 1.2.1 异常检测技术 | 第17-20页 |
| 1.2.2 误用检测技术 | 第20-22页 |
| 1.3 主要商用分布式入侵检测系统简介 | 第22-24页 |
| 1.3.1 NFR 公司的 NID | 第22-24页 |
| 1.3.2 ISS 公司的 RealSecure | 第24页 |
| 1.3.3 Cisco 公司的 Cisco Secure IDS | 第24页 |
| 1.4 本文的研究工作 | 第24-25页 |
| 1.5 本文的内容安排 | 第25页 |
| 1.6 本章小结 | 第25-26页 |
| 第二章 典型的分布式入侵检测系统模型 | 第26-35页 |
| 2.1 具有控制中心的分布式入侵检测系统模型 | 第27-28页 |
| 2.2 基于攻击策略分析的分布式入侵检测模型 | 第28-30页 |
| 2.3 基于 Agent 的分布式入侵检测系统模型 | 第30-31页 |
| 2.4 基于移动代理的分布式入侵检测系统模型 | 第31-33页 |
| 2.5 分析和评价 | 第33-34页 |
| 2.6 本章小结 | 第34-35页 |
| 第三章 用于入侵检测的数据挖掘技术 | 第35-45页 |
| 3.1 数据挖掘概述 | 第35页 |
| 3.2 关联分析算法 | 第35-37页 |
| 3.2.1 关联分析算法概述 | 第35-36页 |
| 3.2.2 关联分析算法在入侵检测中的应用 | 第36-37页 |
| 3.3 数据分类算法 | 第37-39页 |
| 3.3.1 数据分类算法概述 | 第37-38页 |
| 3.3.2 数据分类算法在入侵检测中的应用 | 第38-39页 |
| 3.4 序列模式分析算法 | 第39-41页 |
| 3.4.1 序列模式分析算法概述 | 第39-40页 |
| 3.4.2 序列模式分析算法在入侵检测中的应用 | 第40-41页 |
| 3.5 聚类分析算法 | 第41-44页 |
| 3.5.1 聚类分析算法概述 | 第41-42页 |
| 3.5.2 聚类分析算法在入侵检测中的应用 | 第42-44页 |
| 3.6 本章小结 | 第44-45页 |
| 第四章 基于分箱统计的聚类算法 | 第45-78页 |
| 4.1 KDDCup99 网络入侵检测数据介绍 | 第45-50页 |
| 4.2 数据预处理 | 第50-52页 |
| 4.3 基于分箱统计的聚类算法 | 第52-77页 |
| 4.3.1 HCM 算法和 FCM 算法介绍 | 第52-53页 |
| 4.3.2 FCM 算法的遗留问题 | 第53-54页 |
| 4.3.3 HCM 算法和 FCM 算法的实验分析 | 第54-61页 |
| 4.3.4 分箱统计 | 第61-64页 |
| 4.3.5 基于分箱统计的 HCM 算法 | 第64-73页 |
| 4.3.6 基于分箱统计的 FCM 算法 | 第73-77页 |
| 4.4 本章小结 | 第77-78页 |
| 第五章 基于特征匹配与分箱技术的分布式网络入侵协同检测系统 | 第78-91页 |
| 5.1 DICDS 模型 | 第78-83页 |
| 5.1.1 数据采集协同 | 第79-80页 |
| 5.1.2 数据分析协同 | 第80-81页 |
| 5.1.3 系统响应协同 | 第81-82页 |
| 5.1.4 DICDS 的内部网络数据分析协同 | 第82-83页 |
| 5.2 单个检测引擎 | 第83-87页 |
| 5.2.1 基于分箱统计的 FCM 算法实验分析 | 第83-85页 |
| 5.2.2 特征匹配与聚类算法的协同检测 | 第85-87页 |
| 5.3 中心工作平台 | 第87-89页 |
| 5.3.1 中心工作平台结构 | 第87-88页 |
| 5.3.2 中心工作平台的协同检测实验结果分析 | 第88-89页 |
| 5.4 本章小结 | 第89-91页 |
| 第六章 总结与展望 | 第91-93页 |
| 6.1 总结 | 第91-92页 |
| 6.2 展望 | 第92-93页 |
| 参考文献 | 第93-101页 |
| 缩写词表 | 第101-102页 |
| 致谢 | 第102页 |
