| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第12-22页 |
| 1.1 研究背景及意义 | 第12-13页 |
| 1.2 入侵检测概述 | 第13-16页 |
| 1.2.1 入侵检测技术的分类 | 第14-15页 |
| 1.2.2 传统入侵检测方法的不足 | 第15-16页 |
| 1.3 机器学习入侵检测国内外研究现状 | 第16-20页 |
| 1.3.1 国外研究现状 | 第17-19页 |
| 1.3.2 国内研究现状 | 第19-20页 |
| 1.4 论文主要工作及结构 | 第20-22页 |
| 1.4.1 论文主要工作 | 第20页 |
| 1.4.2 全文组织结构 | 第20-22页 |
| 第2章 入侵检测基础 | 第22-32页 |
| 2.1 经典网络安全模型 | 第22-24页 |
| 2.2 基于机器学习的入侵检测模型 | 第24-25页 |
| 2.3 基于机器学习的入侵检测算法 | 第25-28页 |
| 2.4 入侵检测数据集和评价指标 | 第28-30页 |
| 2.4.1 KDD CUP99数据集 | 第28-30页 |
| 2.4.2 入侵检测评价指标 | 第30页 |
| 2.5 小结 | 第30-32页 |
| 第3章 基于IG和PCA的降维方法研究 | 第32-42页 |
| 3.1 引言 | 第32-33页 |
| 3.2 基于特征选择的降维方法 | 第33-34页 |
| 3.2.1 Information Gain算法 | 第33-34页 |
| 3.3 基于特征提取的降维方法 | 第34-36页 |
| 3.3.1 主成分分析法简介 | 第35-36页 |
| 3.4 基于Information Gain和PCA的降维方案 | 第36-38页 |
| 3.4.1 基于Information Gain和PCA特征降维步骤 | 第37-38页 |
| 3.5 实验结果与性能分析 | 第38-41页 |
| 3.6 小结 | 第41-42页 |
| 第4章 基于压缩感知的样本约简方法 | 第42-52页 |
| 4.1 引言 | 第42页 |
| 4.2 压缩感知理论 | 第42-44页 |
| 4.3 基于压缩感知的样本约简算法 | 第44-45页 |
| 4.3.1 压缩感知的约简原则 | 第44页 |
| 4.3.2 压缩感知的约简算法 | 第44-45页 |
| 4.4 基于反馈机制的入侵检测模型 | 第45-47页 |
| 4.5 实验结果和性能分析 | 第47-51页 |
| 4.6 小结 | 第51-52页 |
| 结论 | 第52-54页 |
| 参考文献 | 第54-59页 |
| 附录A 攻读学位期间所获得的研究成果 | 第59-60页 |
| 附录B 攻读学位期间所参与的研究项目 | 第60-61页 |
| 致谢 | 第61页 |