基于机器学习的入侵检测算法研究
| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 第一章 绪论 | 第11-17页 |
| 1.1 论文研究背景与意义 | 第11-15页 |
| 1.1.1 论文研究背景与研究意义 | 第11页 |
| 1.1.2 入侵检测技术的国内外研究现状 | 第11-13页 |
| 1.1.3 入侵检测技术概述 | 第13-15页 |
| 1.2 论文研究内容与组织安排 | 第15-17页 |
| 1.2.1 论文研究内容与创新点 | 第15页 |
| 1.2.2 本文组织结构 | 第15-17页 |
| 第二章 机器学习基本理论 | 第17-31页 |
| 2.1 机器学习理论基本思想 | 第17-18页 |
| 2.2 数据工程与模型评估 | 第18-22页 |
| 2.2.1 数据工程方法 | 第18-20页 |
| 2.2.2 模型评估方法 | 第20-22页 |
| 2.3 监督学习理论 | 第22-28页 |
| 2.3.1 LR与ANN | 第22-24页 |
| 2.3.2 SVM | 第24-26页 |
| 2.3.3 DT | 第26-27页 |
| 2.3.4 NB | 第27-28页 |
| 2.4 非监督学习理论 | 第28-29页 |
| 2.5 本章小结 | 第29-31页 |
| 第三章 HMLD入侵检测框架 | 第31-59页 |
| 3.1 入侵检测数据介绍 | 第31-39页 |
| 3.1.1 KDDCUP99数据集介绍 | 第31-35页 |
| 3.1.2 KDD-Ⅰ与KDD-Ⅱ | 第35-39页 |
| 3.2 HMLD整体框架与工作流程 | 第39-43页 |
| 3.2.1 HMLD整体框架 | 第39-40页 |
| 3.2.2 HMLD工作流程 | 第40-43页 |
| 3.3 MH-DE模块 | 第43-47页 |
| 3.3.1 数据分包 | 第43-44页 |
| 3.3.2 数据预处理 | 第44-46页 |
| 3.3.3 特征工程 | 第46-47页 |
| 3.4 MH-ML模块 | 第47-56页 |
| 3.4.1 Clussifilter算法 | 第47-49页 |
| 3.4.2 Clussifilter聚类阶段 | 第49-51页 |
| 3.4.3 Clussifilter分类阶段 | 第51-56页 |
| 3.5 MEM模块 | 第56-57页 |
| 3.5.1 MEM模块工作流程 | 第56页 |
| 3.5.2 修正率选择 | 第56-57页 |
| 3.6 本章小结 | 第57-59页 |
| 第四章 实验仿真与评估 | 第59-69页 |
| 4.1 实验仿真硬件环境 | 第59页 |
| 4.2 HMLD仿真对比实验 | 第59-66页 |
| 4.3 HMLD与其他相关工作 | 第66-68页 |
| 4.4 本章小结 | 第68-69页 |
| 第五章 总结与展望 | 第69-71页 |
| 参考文献 | 第71-75页 |
| 致谢 | 第75-77页 |
| 攻读学位期间取得的研究成果 | 第77页 |
