基于经验模态分解的网络流量检测与分析方法
| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第一章 绪论 | 第10-15页 |
| 1.1 研究背景与意义 | 第10页 |
| 1.2 国内外研究现状 | 第10-14页 |
| 1.2.1 网络流量及异常概述 | 第10-12页 |
| 1.2.2 网络流量异常研究现状及挑战 | 第12-14页 |
| 1.3 本文研究内容及结构 | 第14-15页 |
| 第二章 异常检测技术介绍 | 第15-25页 |
| 2.1 基于统计的异常检测技术 | 第15-17页 |
| 2.2 基于机器学习的异常检测技术 | 第17-20页 |
| 2.2.1 基于系统调用的序列分析 | 第17-18页 |
| 2.2.2 Bayesian网络 | 第18-19页 |
| 2.2.3 主成分分析 | 第19页 |
| 2.2.4 马尔可夫模型 | 第19-20页 |
| 2.3 基于数据挖掘的异常检测技术 | 第20-24页 |
| 2.3.1 基于分类的异常检测 | 第21-22页 |
| 2.3.2 聚类和离群检测 | 第22-23页 |
| 2.3.3 关联规则发现 | 第23-24页 |
| 2.4 本章小结 | 第24-25页 |
| 第三章 相关理论介绍 | 第25-36页 |
| 3.1 经验模态分解基本理论 | 第25-29页 |
| 3.1.1 EMD基础 | 第25-26页 |
| 3.1.2 EMD分解过程 | 第26-27页 |
| 3.1.3 EEMD基本理论 | 第27-29页 |
| 3.2 信号检测理论及广义似然比检验 | 第29-35页 |
| 3.2.1 信号检测基本理论 | 第29-31页 |
| 3.2.2 广义似然比检验 | 第31-35页 |
| 3.3 本章小结 | 第35-36页 |
| 第四章 基于经验模态分解的网络流量异常检测方法 | 第36-50页 |
| 4.1 异常检测方法整体框架 | 第36-38页 |
| 4.2 流量数据特征介绍 | 第38-40页 |
| 4.3 流量数据处理模块 | 第40-41页 |
| 4.3.1 数据预处理 | 第40-41页 |
| 4.3.2 数据分解 | 第41页 |
| 4.4 异常检测模块 | 第41-46页 |
| 4.4.1 检测窗口方法 | 第42页 |
| 4.4.2 基于信号检测理论的异常检测问题描述 | 第42-43页 |
| 4.4.3 信道选择 | 第43-44页 |
| 4.4.4 GLRT检测值计算 | 第44-45页 |
| 4.4.5 异常判断 | 第45-46页 |
| 4.5 对比方法介绍 | 第46-49页 |
| 4.5.1 基于PCA的异常子空间方法 | 第46-48页 |
| 4.5.2 基于小波分解的多尺度分析方法 | 第48-49页 |
| 4.6 ROC曲线介绍 | 第49页 |
| 4.7 本章小结 | 第49-50页 |
| 第五章 异常检测实验及结果分析 | 第50-77页 |
| 5.1 数据介绍 | 第50-53页 |
| 5.1.1 ISCX-UNB数据集 | 第50-52页 |
| 5.1.2 其他流量数据集 | 第52-53页 |
| 5.2 ISCX-UNB数据集实验 | 第53-66页 |
| 5.2.1 异常检测方法实现 | 第54-58页 |
| 5.2.2 门限计算方法验证 | 第58-61页 |
| 5.2.3 信道选择方法验证 | 第61-62页 |
| 5.2.4 对比实验及结果分析 | 第62-66页 |
| 5.3 其他流量数据集实验 | 第66-76页 |
| 5.3.1 数据集一实验结果 | 第66-71页 |
| 5.3.2 数据集二实验结果 | 第71-76页 |
| 5.4 本章小结 | 第76-77页 |
| 第六章 总结与展望 | 第77-79页 |
| 6.1 全文总结 | 第77-78页 |
| 6.2 后续工作展望 | 第78-79页 |
| 致谢 | 第79-80页 |
| 参考文献 | 第80-83页 |
