基于网络异常的入侵检测算法研究
| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7-8页 |
| 1 引言 | 第12-26页 |
| 1.1 课题背景及意义 | 第12-14页 |
| 1.2 网络入侵检测国内外研究现状 | 第14-18页 |
| 1.2.1 入侵检测系统 | 第15-17页 |
| 1.2.2 入侵检测技术 | 第17-18页 |
| 1.2.3 入侵检测发展趋势 | 第18页 |
| 1.3 基于深度学习的入侵检测国内外研究现状 | 第18-19页 |
| 1.4 PCA和聚类方法国内外研究现状 | 第19-23页 |
| 1.4.1 主成分分析 | 第19-21页 |
| 1.4.2 聚类 | 第21-23页 |
| 1.5 论文研究内容和工作 | 第23-24页 |
| 1.6 本章小结 | 第24-26页 |
| 2 入侵检测研究理论基础 | 第26-40页 |
| 2.1 入侵检测 | 第26-28页 |
| 2.2 PCA算法理论基础 | 第28-32页 |
| 2.2.1 基于矩阵理论的PCA方法 | 第30页 |
| 2.2.2 基于神经网络的PCA方法 | 第30-32页 |
| 2.3 聚类算法理论基础 | 第32-33页 |
| 2.4 深度学习 | 第33-39页 |
| 2.4.1 DNN模型 | 第33-38页 |
| 2.4.2 CNN模型 | 第38-39页 |
| 2.5 本章小结 | 第39-40页 |
| 3 一种改进的PCA算法 | 第40-49页 |
| 3.1 数据预处理的必要性 | 第40页 |
| 3.2 常用的数据预处理方法 | 第40-41页 |
| 3.3 一种自适应PCA算法 | 第41-48页 |
| 3.3.1 改进算法的提出 | 第41-42页 |
| 3.3.2 改进算法与性能分析 | 第42-44页 |
| 3.3.3 实验和结果分析 | 第44-48页 |
| 3.4 本章小结 | 第48-49页 |
| 4 基于深度学习的网络入侵检测的应用 | 第49-59页 |
| 4.1 数据预处理及评价方法 | 第49-51页 |
| 4.1.1 数据集 | 第49页 |
| 4.1.2 数据预处理 | 第49-50页 |
| 4.1.3 评价方法 | 第50-51页 |
| 4.2 深度神经网络 | 第51-53页 |
| 4.2.1 实验环境 | 第51页 |
| 4.2.2 实验过程 | 第51-53页 |
| 4.2.3 实验结果 | 第53页 |
| 4.3 卷积神经网络 | 第53-55页 |
| 4.3.1 实验过程 | 第53-54页 |
| 4.3.2 实验结果 | 第54-55页 |
| 4.4 对比实验和结果分析 | 第55-58页 |
| 4.4.1 与经典算法实验和结果分析 | 第55-56页 |
| 4.4.2 与深度学习实验和结果分析 | 第56-58页 |
| 4.5 本章小结 | 第58-59页 |
| 5 混合入侵检测框架 | 第59-66页 |
| 5.1 采用改进PCA的DN | 第59-60页 |
| 5.1.1 实验过程 | 第59-60页 |
| 5.1.2 实验结果 | 第60页 |
| 5.2 混合入侵检测框架 | 第60-65页 |
| 5.2.1 框架结构组成及功能 | 第60-63页 |
| 5.2.2 实验和结果 | 第63-65页 |
| 5.3 本章小结 | 第65-66页 |
| 6 结论与展望 | 第66-68页 |
| 6.1 结论 | 第66-67页 |
| 6.2 展望 | 第67-68页 |
| 参考文献 | 第68-72页 |
| 作者简历及攻读硕士/博士学位期间取得的研究成果 | 第72-74页 |
| 学位论文数据集 | 第74页 |
