| 摘要 | 第1-4页 |
| Abstract | 第4-7页 |
| 第一章 绪论 | 第7-18页 |
| ·引言 | 第7页 |
| ·论文的研究背景和意义 | 第7-16页 |
| ·入侵检测系统的发展历史 | 第7-8页 |
| ·入侵检测系统分类 | 第8页 |
| ·异常入侵检测技术 | 第8-13页 |
| ·误用入侵检测技术 | 第13-14页 |
| ·入侵检测研究的条件和局限性 | 第14-15页 |
| ·入侵检测技术的研究现状 | 第15-16页 |
| ·智能技术在入侵检测中的应用 | 第16页 |
| ·支持向量机在入侵检测中的应用 | 第16页 |
| ·网络流量的自相似性 | 第16页 |
| ·本课题的研究内容和意义 | 第16-18页 |
| ·本文的研究内容 | 第16页 |
| ·本文的研究意义 | 第16-17页 |
| ·本文的组织结构 | 第17-18页 |
| 第二章 粒子群优化算法 | 第18-27页 |
| ·引言 | 第18页 |
| ·粒子群算法基本原理 | 第18-19页 |
| ·PSO 和遗传算法的比较 | 第19页 |
| ·PSO 算法的改进 | 第19-21页 |
| ·加入惯性权重因子w 的PSO 算法 | 第20页 |
| ·加入惯性权重因子k 的PSO 算法 | 第20页 |
| ·一种自适应的PSO 算法 | 第20-21页 |
| ·量子粒子群算法 | 第21页 |
| ·几种算法比较 | 第21-26页 |
| ·基准函数选择 | 第21-23页 |
| ·参数选择 | 第23页 |
| ·自适应PSO 算法的步骤 | 第23-24页 |
| ·几种算法比较结果 | 第24-26页 |
| ·本章小节 | 第26-27页 |
| 第三章 基于量子粒子群算法训练支持向量机的网络异常检测系统 | 第27-38页 |
| ·引言 | 第27页 |
| ·支持向量机概述 | 第27-29页 |
| ·基于QPSO 算法训练支持向量机异常检测系统 | 第29-32页 |
| ·SVM 分解算法 | 第29-30页 |
| ·QPSO 解决QP 问题 | 第30-31页 |
| ·步骤描述 | 第31页 |
| ·异常检测系统描述 | 第31-32页 |
| ·实验仿真和结果分析 | 第32-37页 |
| ·实验数据来源 | 第32-33页 |
| ·数据特征值的抽取 | 第33页 |
| ·并行检测模型假设 | 第33-34页 |
| ·实验仿真 | 第34-36页 |
| ·实验结果分析 | 第36-37页 |
| ·本章小节 | 第37-38页 |
| 第四章 基于自相似检测网络异常的概率密度方法 | 第38-47页 |
| ·引言 | 第38页 |
| ·网络流量的自相似性 | 第38-40页 |
| ·自相似定义 | 第38-39页 |
| ·重尾分布特性Pareto 分布 | 第39-40页 |
| ·基于概率密度网络检测模型 | 第40-42页 |
| ·数学模型 | 第41-42页 |
| ·模型分析 | 第42页 |
| ·实验仿真和结果分析 | 第42-46页 |
| ·实验数据来源 | 第42-43页 |
| ·实验条件 | 第43页 |
| ·实验仿真 | 第43-44页 |
| ·实验结果分析 | 第44-46页 |
| ·本章小结 | 第46-47页 |
| 第五章 总结与展望 | 第47-48页 |
| ·结论 | 第47页 |
| ·进一步的研究以及工作展望 | 第47-48页 |
| 致谢 | 第48-49页 |
| 参考文献 | 第49-53页 |
| 附录：作者在攻读硕士学位期间发表的论文 | 第53页 |