| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7-8页 |
| 1 引言 | 第12-16页 |
| 1.1 研究背景和意义 | 第12-13页 |
| 1.2 研究现状 | 第13-14页 |
| 1.3 研究内容和论文结构 | 第14-16页 |
| 2 相关工作 | 第16-30页 |
| 2.1 入侵检测概述 | 第16-20页 |
| 2.1.1 入侵检测的基本概念 | 第16-17页 |
| 2.1.2 入侵检测系统的检测步骤 | 第17-18页 |
| 2.1.3 入侵检测技术分类 | 第18-20页 |
| 2.1.4 入侵检测评价指标 | 第20页 |
| 2.2 机器学习概述 | 第20-27页 |
| 2.2.1 机器学习基础知识 | 第20-22页 |
| 2.2.2 常见机器学习方法及在入侵检测中的应用 | 第22-27页 |
| 2.3 本章小结 | 第27-30页 |
| 3 基于SVM的网络入侵检测 | 第30-64页 |
| 3.1 入侵检测研究数据集 | 第30-35页 |
| 3.1.1 数据集描述与评价 | 第30-31页 |
| 3.1.2 数据与特征描述 | 第31-35页 |
| 3.2 利用SVM解决多分类问题 | 第35-39页 |
| 3.2.1 基于SVM的多分类学习方法 | 第35-37页 |
| 3.2.2 数据预处理 | 第37-38页 |
| 3.2.3 实验效果和分析 | 第38-39页 |
| 3.3 基于聚类算法的SVM网络入侵检测 | 第39-42页 |
| 3.3.1 基于改进K-means算法的数据集精简 | 第39-40页 |
| 3.3.2 实验效果和分析 | 第40-42页 |
| 3.4 特征选择 | 第42-43页 |
| 3.5 基于二分类器的分层检测框架 | 第43-45页 |
| 3.6 基于网格搜索和模拟退火算法的自动参数寻优 | 第45-51页 |
| 3.6.1 自动参数寻优方法 | 第45-47页 |
| 3.6.2 实验效果和分析 | 第47-51页 |
| 3.7 基于特征空间分布的进一步聚类 | 第51-62页 |
| 3.7.1 基于PCA分析观察聚类结果特征空间分布 | 第51-55页 |
| 3.7.2 基于K-means算法的训练集进一步聚类 | 第55-58页 |
| 3.7.3 基于进一步聚类和噪声样本添加的入侵检测实验 | 第58-62页 |
| 3.8 本章小结 | 第62-64页 |
| 4 基于神经网络的网络入侵检测 | 第64-80页 |
| 4.1 BP神经网络相关理论 | 第64-66页 |
| 4.2 网络结构的设计 | 第66-72页 |
| 4.2.1 设计思路 | 第66-68页 |
| 4.2.2 网络结构及对应实验分析 | 第68-70页 |
| 4.2.3 Dropout层的引入 | 第70-72页 |
| 4.3 数据集聚类与分层检测框架在神经网络入侵检测上的应用 | 第72-75页 |
| 4.4 BP算法优化 | 第75-79页 |
| 4.4.1 传统BP神经网络的局限性 | 第75-76页 |
| 4.4.2 BP算法的改进 | 第76-78页 |
| 4.4.3 基于改进BP算法的神经网络实验效果与分析 | 第78-79页 |
| 4.5 本章小结 | 第79-80页 |
| 5 基于SVM与神经网络的网络入侵检测 | 第80-86页 |
| 5.1 混合检测模型的提出 | 第80-82页 |
| 5.2 与其他网络入侵检测算法的对比与分析 | 第82-84页 |
| 5.3 对新型攻击的检测 | 第84-85页 |
| 5.4 本章小结 | 第85-86页 |
| 6 总结与展望 | 第86-90页 |
| 6.1 总结 | 第86-87页 |
| 6.2 展望 | 第87-90页 |
| 参考文献 | 第90-94页 |
| 附录A | 第94-96页 |
| 附录B | 第96-98页 |
| 作者简历 | 第98-102页 |
| 学位论文数据集 | 第102页 |
