| 摘要 | 第1-6页 |
| Abstract | 第6-12页 |
| 第1章 绪论 | 第12-16页 |
| ·研究背景 | 第12-13页 |
| ·入侵检测发展历程与研究现状 | 第13-15页 |
| ·入侵检测的发展历程 | 第13-14页 |
| ·入侵检测研究现状 | 第14-15页 |
| ·目前入侵检测系统存在的问题 | 第15页 |
| ·本文的组织结构 | 第15-16页 |
| 第2章 统计学习理论与入侵检测 | 第16-28页 |
| ·统计学习理论 | 第16-22页 |
| ·学习问题 | 第16-17页 |
| ·学习问题研究的发展历史 | 第17页 |
| ·经验风险最小化归纳原则 | 第17-18页 |
| ·学习过程一致性理论 | 第18-20页 |
| ·学习过程收敛速度的界 | 第20-21页 |
| ·结构风险最小化归纳原则 | 第21-22页 |
| ·入侵检测 | 第22-24页 |
| ·入侵检测的系统模型 | 第22-23页 |
| ·入侵检测的分类 | 第23-24页 |
| ·入侵数据集 KDD99 | 第24-27页 |
| ·小结 | 第27-28页 |
| 第3章 基于支持向量机增量学习算法 | 第28-38页 |
| ·支持向量机 | 第28-32页 |
| ·最优分类超平面 | 第28-29页 |
| ·线性可分支持向量机 | 第29-32页 |
| ·线性不可分支持向量机 | 第32页 |
| ·支持向量机增量学习算法 | 第32-37页 |
| ·增量学习 | 第33-34页 |
| ·支持向量机增量学习算法 | 第34-36页 |
| ·基于 KTT 条件的支持向量机增量淘汰算法 | 第36-37页 |
| ·小结 | 第37-38页 |
| 第4章 基于增量支持向量机的异常入侵检测算法 KTT-ISVM-AIDS研究和实现 | 第38-51页 |
| ·KTT-ISVM-AIDS 算法设计 | 第38-40页 |
| ·使用超球算法约减历史数据集 | 第38-39页 |
| ·通过广义 KTT 条件对增量数据筛选 | 第39-40页 |
| ·支持向量机方法 | 第40页 |
| ·KTT-ISVM-AIDS 算法 | 第40-44页 |
| ·算法总体 | 第40-41页 |
| ·KTT-ISVM-AIDS 的预处理算法 | 第41-42页 |
| ·KTT-ISVM-AIDS 的训练算法 | 第42-43页 |
| ·KTT-ISVM-AIDS 的检测算法 | 第43-44页 |
| ·实验 | 第44-50页 |
| ·实验使用的软硬件环境 | 第44页 |
| ·实验结果的评价标准 | 第44-45页 |
| ·参数选择 | 第45-49页 |
| ·实验结果及分析 | 第49-50页 |
| ·小结 | 第50-51页 |
| 第5章 总结与展望 | 第51-53页 |
| ·总结 | 第51页 |
| ·下一步的工作 | 第51-53页 |
| 参考文献 | 第53-56页 |
| 作者简介及在学期间所取得的科研成果 | 第56-57页 |
| 致谢 | 第57页 |