| 摘要 | 第1-6页 |
| Abstract | 第6-9页 |
| 第1章 绪论 | 第9-17页 |
| ·网络安全的概念及目前所受到的主要威胁 | 第9-10页 |
| ·传统网络安全技术 | 第10页 |
| ·入侵检测概述 | 第10-15页 |
| ·入侵检测系统原理 | 第11-12页 |
| ·入侵检测系统的分类 | 第12-13页 |
| ·智能入侵检测技术 | 第13-14页 |
| ·目前入侵检测技术中存在的问题 | 第14-15页 |
| ·本文的主要工作和结构安排 | 第15-17页 |
| 第2章 支持向量机与K 近邻算法 | 第17-27页 |
| ·支持向量机简介 | 第17-18页 |
| ·最优分类超平面 | 第18-20页 |
| ·核函数简介 | 第20页 |
| ·支持向量机的改进算法 | 第20-24页 |
| ·最小二乘支持向量机(LS-SVM) | 第21-22页 |
| ·近似支持向量机(PSVM) | 第22页 |
| ·One-Class SVM | 第22-24页 |
| ·支持向量机的优点 | 第24-25页 |
| ·K 近邻算法 | 第25-27页 |
| 第3章 半监督学习 | 第27-34页 |
| ·半监督学习简介 | 第27-29页 |
| ·监督学习和无监督学习 | 第27页 |
| ·半监督学习 | 第27-28页 |
| ·半监督学习的发展 | 第28-29页 |
| ·半监督学习的假设 | 第29-30页 |
| ·半监督学习的平滑假设（Semi-supervised Smoothness Assumption） | 第29-30页 |
| ·聚类假设（The Cluster Assumption） | 第30页 |
| ·流行假设（Manifold Assumption） | 第30页 |
| ·半监督学习算法简述 | 第30-32页 |
| ·生成模型法 | 第30-31页 |
| ·低密度分割法 | 第31页 |
| ·基于图的方法 | 第31-32页 |
| ·其他算法 | 第32页 |
| ·半监督支持向量机 | 第32-34页 |
| 第4章 基于半监督的SVM-KNN 分类算法 | 第34-41页 |
| ·支持向量集 | 第34-35页 |
| ·SVM 的训练算法 | 第35-36页 |
| ·基于半监督的SVM-KNN 分类算法 | 第36-38页 |
| ·全局模型和设计思想 | 第36-37页 |
| ·算法描述 | 第37-38页 |
| ·实验结果及分析 | 第38-40页 |
| ·本章结论 | 第40-41页 |
| 第5章 基于半监督SVM-KNN 的入侵检测技术 | 第41-52页 |
| ·入侵系统的构造 | 第41-42页 |
| ·数据简介及分析 | 第42-45页 |
| ·实验数据预处理 | 第45-46页 |
| ·实验设置及结果分析 | 第46-51页 |
| ·单个最优特征组合算法 | 第49-50页 |
| ·顺序预选算法 | 第50页 |
| ·加m 减r 算法 | 第50页 |
| ·单个最优特征组合算法的改进算法 | 第50-51页 |
| ·本章结论 | 第51-52页 |
| 第6章 总结 | 第52-54页 |
| ·本文的主要工作 | 第52-53页 |
| ·进一步研究工作的展望 | 第53-54页 |
| 参考文献 | 第54-57页 |
| 致谢 | 第57-58页 |
| 攻读硕士学位期间发表论文情况 | 第58页 |
