基于子空间学习的概念漂移异常检测算法研究
| 摘要 | 第2-3页 |
| Abstract | 第3页 |
| 1 绪论 | 第6-13页 |
| 1.1 课题背景和研究意义 | 第6页 |
| 1.2 异常检测的国内外研究现状 | 第6-10页 |
| 1.2.1 异常检测的研究现状 | 第6-8页 |
| 1.2.2 机器学习方法在异常检测中的应用 | 第8-9页 |
| 1.2.3 异常数据获取 | 第9-10页 |
| 1.3 本文主要研究内容与组织结构 | 第10-13页 |
| 1.3.1 本文研究的主要内容 | 第10-11页 |
| 1.3.2 本文的组织结构 | 第11-13页 |
| 2 异常数据的降维与分类 | 第13-26页 |
| 2.1 高维数据降维 | 第13-22页 |
| 2.1.1 主成分分析 (PCA) | 第13-17页 |
| 2.1.2 线性判别分析（LDA） | 第17-22页 |
| 2.2 分类器的选择 | 第22-25页 |
| 2.2.1 支持向量机 (SVM) | 第22-25页 |
| 2.2.2 极端学习机（ELM） | 第25页 |
| 2.3 本章小结 | 第25-26页 |
| 3 基于概念漂移的异常检测算法 | 第26-37页 |
| 3.1 概念漂移基本思想和方法 | 第26-29页 |
| 3.1.1 数据流概念漂移研究背景 | 第26-28页 |
| 3.1.2 基于子空间学习的概念漂移方法介绍 | 第28-29页 |
| 3.2 数据流异常检测框架 | 第29-35页 |
| 3.2.1 ARLDA数据流学习框架 | 第29页 |
| 3.2.2 概念漂移的判定 | 第29-32页 |
| 3.2.3 实验和分析 | 第32-35页 |
| 3.3 本章小结 | 第35-37页 |
| 4 基于子空间学习的异常检测算法 | 第37-53页 |
| 4.1 改进的概念漂移判定方法 | 第37-39页 |
| 4.1.1 判定方法介绍 | 第37页 |
| 4.1.2 实验设计与结果分析 | 第37-39页 |
| 4.2 基于特征值概念集的概念漂移算法 | 第39-43页 |
| 4.2.1 基于特征值概念集的数据流检测框架 | 第39-40页 |
| 4.2.2 方法介绍 | 第40-41页 |
| 4.2.3 实验设计与结果分析 | 第41-43页 |
| 4.3 Ntopng探针获取数据的实验与结果分析 | 第43-49页 |
| 4.3.1 应用介绍 | 第44-45页 |
| 4.3.2 数据预处理 | 第45-47页 |
| 4.3.3 实验与结果分析 | 第47-49页 |
| 4.4 讨论 | 第49-51页 |
| 4.4.1 实验对比 | 第49-50页 |
| 4.4.2 漂移概念选取的哈希策略 | 第50-51页 |
| 4.4.3 基于概念集哈希的数据流处理框架 | 第51页 |
| 4.5 本章小结 | 第51-53页 |
| 结论 | 第53-54页 |
| 参考文献 | 第54-58页 |
| 攻读硕士学位期间发表学术论文情况 | 第58-59页 |
| 致谢 | 第59-61页 |
