基于SVM的入侵检测系统研究
| 摘要 | 第1-7页 |
| ABSTRACT | 第7-9页 |
| 目录 | 第9-11页 |
| 第一章 绪论 | 第11-25页 |
| ·论文的研究背景 | 第11-20页 |
| ·计算机与网络信息系统安全 | 第11-12页 |
| ·网络信息系统面临的安全威胁 | 第12-13页 |
| ·入侵技术概述 | 第13-17页 |
| ·入侵检测简介 | 第17-19页 |
| ·基于模式识别入侵检测的优点 | 第19-20页 |
| ·论文的研究内容 | 第20-23页 |
| ·研究入侵检测技术的意义 | 第20-21页 |
| ·论文研究的内容 | 第21-23页 |
| ·论文的组织安排 | 第23-25页 |
| 第二章 测试样本库的分析 | 第25-35页 |
| ·采用的样本库 | 第25-33页 |
| ·数据预处理 | 第33页 |
| ·结论 | 第33-35页 |
| 第三章 支持向量机 | 第35-46页 |
| ·引言 | 第35页 |
| ·统计学习理论 | 第35-38页 |
| ·支持向量机 | 第38-45页 |
| ·最优分类超平面 | 第38-40页 |
| ·广义最优分类超平面 | 第40页 |
| ·支持向量机 | 第40-42页 |
| ·核函数 | 第42页 |
| ·SVM的训练算法 | 第42-44页 |
| ·多类问题中的SVM | 第44-45页 |
| ·结论 | 第45-46页 |
| 第四章 基于支持向量机的多分类检测系统 | 第46-53页 |
| ·引言 | 第46页 |
| ·基于SVM的多层分类的入侵检测系统模型 | 第46-49页 |
| ·基于神经网络的IDS | 第47页 |
| ·单类问题(ONE-CLASS) | 第47-48页 |
| ·多层分类模型 | 第48-49页 |
| ·模型的测试 | 第49-51页 |
| ·结论 | 第51-53页 |
| 第五章 利用特征筛选提高系统的性能 | 第53-65页 |
| ·引言 | 第53-54页 |
| ·特征选择算法 | 第54-59页 |
| ·利用单个最优特征组合算法的变形算法选择特征 | 第59-63页 |
| ·样本选择与特征选择 | 第63-64页 |
| ·本章小结 | 第64-65页 |
| 第六章 增量学习在入侵检测SVM分类器中的应用 | 第65-74页 |
| ·引言 | 第65-66页 |
| ·支持向量集的概念及特点 | 第66-67页 |
| ·增量学习过程中支持向量集的变化 | 第67-69页 |
| ·几种增量学习方法的对比 | 第69-72页 |
| ·样本集样本数量的确定 | 第72-73页 |
| ·本章小结 | 第73-74页 |
| 第七章 一种基于模糊隶属关系的SVM分类器 | 第74-82页 |
| ·引言 | 第74-75页 |
| ·基于模糊积分的多分类器组合 | 第75-78页 |
| ·模糊积分 | 第75-76页 |
| ·用模糊积分构造多分类器组合模型 | 第76-77页 |
| ·模糊密度g的计算 | 第77-78页 |
| ·基于模糊积分的多分类器组合的入侵检测 | 第78-79页 |
| ·实验与分析 | 第79-81页 |
| ·小结 | 第81-82页 |
| 第八章 基于协议分析的多分类器组合的入侵检测 | 第82-89页 |
| ·问题描述 | 第82页 |
| ·多分类器组合 | 第82页 |
| ·协议分析 | 第82-84页 |
| ·多分类器入侵检测模型 | 第84-86页 |
| ·实验结果与分析 | 第86-88页 |
| ·本章小结 | 第88-89页 |
| 第九章 结束语 | 第89-92页 |
| ·本文的总结 | 第89-90页 |
| ·进一步的工作 | 第90-92页 |
| 参考文献 | 第92-97页 |
| 博士期间发表的论文 | 第97-99页 |
| 致谢 | 第99页 |
