基于大数据和深度学习的实时入侵检测关键技术研究
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 引言 | 第13-18页 |
| 1.1 研究背景及意义 | 第13-14页 |
| 1.2 研究现状及存在的问题 | 第14-16页 |
| 1.3 本文的主要研究内容 | 第16-17页 |
| 1.4 本文的组织结构 | 第17-18页 |
| 第二章 入侵检测相关技术 | 第18-30页 |
| 2.1 入侵检测综述 | 第18-21页 |
| 2.1.1 入侵检测技术 | 第18页 |
| 2.1.2 入侵检测模型 | 第18-19页 |
| 2.1.3 入侵检测技术分类 | 第19-21页 |
| 2.2 数据采集 | 第21-23页 |
| 2.2.1 实时日志收集Flume技术 | 第21页 |
| 2.2.2 实时日志收集Flume组件及流程 | 第21-22页 |
| 2.2.3 实时日志收集Flume可恢复性 | 第22-23页 |
| 2.2.4 缺陷 | 第23页 |
| 2.3 数据存储 | 第23页 |
| 2.4 数据分析 | 第23-28页 |
| 2.4.1 隐马尔科夫模型(HMM) | 第23-26页 |
| 2.4.2 神经网络模型Word2Vec | 第26-28页 |
| 2.5 本文的研究架构 | 第28-30页 |
| 第三章 入侵检测系统需求分析与设计 | 第30-41页 |
| 3.1 需求分析 | 第30-31页 |
| 3.2 概要设计 | 第31-40页 |
| 3.2.1 总体设计 | 第31-32页 |
| 3.2.2 数据收集模块的设计 | 第32-34页 |
| 3.2.3 数据存储和处理模块的设计 | 第34-36页 |
| 3.2.4 入侵算法模型的设计 | 第36-38页 |
| 3.2.5 应用交互模块的设计 | 第38-40页 |
| 3.3 本章小结 | 第40-41页 |
| 第四章 安全日志收集和特征提取 | 第41-52页 |
| 4.1 系统实现 | 第41-49页 |
| 4.1.1 实时日志收集模块 | 第41-44页 |
| 4.1.2 数据存储与计算模块 | 第44-46页 |
| 4.1.3 数据预处理 | 第46-47页 |
| 4.1.4 入侵特征提取 | 第47-49页 |
| 4.2 系统应用 | 第49-50页 |
| 4.3 本章小结 | 第50-52页 |
| 第五章 入侵检测算法模型实现与平台集成 | 第52-79页 |
| 5.1 异常模型 | 第52-63页 |
| 5.1.1 参数异常模型 | 第52-60页 |
| 5.1.2 节点异常模型 | 第60-63页 |
| 5.2 威胁模型 | 第63-72页 |
| 5.2.1 识别成功的攻击 | 第65-66页 |
| 5.2.2 CMSNday识别 | 第66-67页 |
| 5.2.3 Webshell识别 | 第67-68页 |
| 5.2.4 大马识别 | 第68-72页 |
| 5.2.5 一句话Webshell识别 | 第72页 |
| 5.3 入侵检测平台集成与测试 | 第72-77页 |
| 5.3.1 系统与平台接口架构 | 第73-74页 |
| 5.3.2 功能测试 | 第74-76页 |
| 5.3.3 性能测试 | 第76-77页 |
| 5.3.4 系统评价 | 第77页 |
| 5.4 本章小结 | 第77-79页 |
| 第六章 结束语 | 第79-80页 |
| 6.1 本文总结 | 第79页 |
| 6.2 进一步研究方向 | 第79-80页 |
| 参考文献 | 第80-83页 |
| 作者简介 | 第83-84页 |
| 致谢 | 第84页 |
