基于深度学习的入侵检测关键技术研究
| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7-8页 |
| 1 绪论 | 第11-20页 |
| 1.1 选题背景及意义 | 第11-14页 |
| 1.2 国内外研究现状 | 第14-17页 |
| 1.2.1 主流入侵检测方法 | 第15-16页 |
| 1.2.2 基于深度学习的入侵检测 | 第16-17页 |
| 1.3 研究思路和主要工作 | 第17-18页 |
| 1.4 论文组织结构 | 第18-20页 |
| 2 基本理论 | 第20-36页 |
| 2.1 入侵检测 | 第20-25页 |
| 2.1.1 入侵检测系统 | 第20-24页 |
| 2.1.2 入侵检测技术 | 第24页 |
| 2.1.3 入侵检测存在的问题 | 第24-25页 |
| 2.2 深度学习 | 第25-33页 |
| 2.2.1 深度学习概述 | 第25-28页 |
| 2.2.2 深度BP神经网络 | 第28-29页 |
| 2.2.3 深度卷积网络 | 第29-31页 |
| 2.2.4 自编码网络 | 第31-33页 |
| 2.3 支持向量机 | 第33-35页 |
| 2.4 本章小结 | 第35-36页 |
| 3 基于自编码器的入侵检测数据降维 | 第36-54页 |
| 3.1 入侵检测数据降维 | 第36-40页 |
| 3.1.1 数据集介绍 | 第36-38页 |
| 3.1.2 数据集预处理 | 第38页 |
| 3.1.3 数据降维的必要性 | 第38-39页 |
| 3.1.4 常用的数据降维方法 | 第39-40页 |
| 3.2 自编码器用于数据降维 | 第40-48页 |
| 3.2.1 自编码器降维建模 | 第40-42页 |
| 3.2.2 实验过程设计 | 第42-45页 |
| 3.2.3 实验结果分析 | 第45-48页 |
| 3.3 自编码器的结构寻优 | 第48-53页 |
| 3.3.1 结构优化必要性 | 第48页 |
| 3.3.2 结构寻优过程 | 第48-49页 |
| 3.3.3 结构寻优实验结果 | 第49-53页 |
| 3.4 本章小结 | 第53-54页 |
| 4 入侵检测模型设计与实验 | 第54-66页 |
| 4.1 评价指标 | 第54-55页 |
| 4.2 AE-DNN的入侵检测模型 | 第55-62页 |
| 4.2.1 AE-DNN入侵检测模型结构 | 第55-56页 |
| 4.2.2 实验过程设计 | 第56-58页 |
| 4.2.3 实验结果分析 | 第58-62页 |
| 4.3 AE-nSVM入侵检测模型 | 第62-65页 |
| 4.3.1 AE-nSVM入侵检测模型结构 | 第62-64页 |
| 4.3.2 实验参数及实验结果 | 第64-65页 |
| 4.4 本章小结 | 第65-66页 |
| 5 总结与展望 | 第66-68页 |
| 5.1 论文总结 | 第66-67页 |
| 5.2 研究展望 | 第67-68页 |
| 参考文献 | 第68-71页 |
| 作者简历及攻读硕士学位期间取得的研究成果 | 第71-73页 |
| 学位论文数据集 | 第73页 |
