| 中文摘要 | 第3-4页 |
| 英文摘要 | 第4-5页 |
| 1 绪论 | 第8-13页 |
| 1.1 研究背景及意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-11页 |
| 1.3 本文主要工作 | 第11-13页 |
| 1.3.1 研究的主要内容 | 第11-12页 |
| 1.3.2 论文结构 | 第12-13页 |
| 2 入侵检测与数据挖掘理论概述 | 第13-23页 |
| 2.1 入侵检测 | 第13-20页 |
| 2.1.1 入侵检测概念与原理 | 第13-14页 |
| 2.1.2 入侵检测模型 | 第14-15页 |
| 2.1.3 离群点挖掘的入侵检测模型 | 第15-16页 |
| 2.1.4 入侵检测分类 | 第16-20页 |
| 2.2 数据挖掘 | 第20-22页 |
| 2.2.1 数据挖掘的基本原理 | 第20-21页 |
| 2.2.2 入侵检测中的数据挖掘技术 | 第21-22页 |
| 2.3 本章小结 | 第22-23页 |
| 3 入侵检测中的聚类算法与离群挖掘算法研究 | 第23-32页 |
| 3.1 离群点挖掘 | 第23-25页 |
| 3.1.1 离群点挖掘定义 | 第23页 |
| 3.1.2 常见离群点挖掘算法 | 第23-25页 |
| 3.2 聚类分析 | 第25-30页 |
| 3.2.1 聚类分析的定义 | 第26页 |
| 3.2.2 聚类分析的过程 | 第26页 |
| 3.2.3 聚类分析中的距离与相似性度量 | 第26-29页 |
| 3.2.4 常见聚类分析算法 | 第29-30页 |
| 3.3 离群点挖掘方法在入侵检测中的应用 | 第30-31页 |
| 3.4 本章小结 | 第31-32页 |
| 4 基于聚类的离群挖掘算法在入侵检测中的研究 | 第32-40页 |
| 4.1 基于密度的聚类算法 | 第32-35页 |
| 4.1.1 传统DBSCAN算法 | 第32-34页 |
| 4.1.2 改进的DBSCAN算法——聚类算法 | 第34-35页 |
| 4.2 改进的离群点挖掘算法 | 第35-37页 |
| 4.2.1 基于聚类离群点挖掘算法改进——引入局部离群概念 | 第35页 |
| 4.2.2 相关概念 | 第35-36页 |
| 4.2.3 算法描述 | 第36-37页 |
| 4.3 改进的局部离群挖掘的入侵检测算法 | 第37-39页 |
| 4.3.1 离群点挖掘入侵检测流程 | 第37页 |
| 4.3.2 本文算法的思想 | 第37-38页 |
| 4.3.3 本文算法描述 | 第38-39页 |
| 4.4 本章小结 | 第39-40页 |
| 5 实验与分析 | 第40-47页 |
| 5.1 实验数据集 | 第40页 |
| 5.2 实验数据预处理 | 第40-42页 |
| 5.2.1 数据清洗 | 第40-41页 |
| 5.2.2 特征提取 | 第41-42页 |
| 5.2.3 格式转换 | 第42页 |
| 5.2.4 特征提取 | 第42页 |
| 5.3 实验结果对比与分析 | 第42-47页 |
| 5.3.1 实验环境 | 第43页 |
| 5.3.2 实验数据的选取 | 第43页 |
| 5.3.3 实验结果与分析 | 第43-47页 |
| 6 总结与展望 | 第47-49页 |
| 6.1 总结 | 第47页 |
| 6.2 展望 | 第47-49页 |
| 致谢 | 第49-50页 |
| 参考文献 | 第50-54页 |
| 附录 | 第54页 |
| A. 作者在攻读学位期间内发表的论文目录 | 第54页 |