基于数据挖掘的入侵检测研究
| 摘要 | 第1-4页 |
| Abstract | 第4-8页 |
| 1 绪论 | 第8-12页 |
| ·研究背景和意义 | 第8-9页 |
| ·入侵检测的发展现状 | 第9-10页 |
| ·本文的主要研究内容及组织结构 | 第10-12页 |
| ·本文的主要研究内容 | 第10-11页 |
| ·本文的组织结构 | 第11-12页 |
| 2 入侵检测系统与数据挖掘概述 | 第12-22页 |
| ·入侵检测系统 | 第12-17页 |
| ·黑客入侵简介 | 第12-13页 |
| ·入侵检测系统的分类 | 第13-14页 |
| ·入侵检测系统的基本模型 | 第14-17页 |
| ·入侵检测的数据源 | 第17页 |
| ·数据挖掘 | 第17-21页 |
| ·数据挖掘定义 | 第17-18页 |
| ·数据挖掘的分析方法 | 第18-21页 |
| ·本章小结 | 第21-22页 |
| 3 基于数据挖掘的入侵检测算法分析 | 第22-28页 |
| ·基于Apriori算法的入侵关联分析 | 第22-24页 |
| ·项目集的定义和性质 | 第22页 |
| ·Apriori算法描述 | 第22-24页 |
| ·模糊聚类分析 | 第24-26页 |
| ·模糊C-均值算法描述 | 第24-26页 |
| ·模糊C-均值算法在入侵检测中的优点 | 第26页 |
| ·聚类算法在网络入侵检测中的应用 | 第26页 |
| ·联合挖掘算法 | 第26-27页 |
| ·本章小结 | 第27-28页 |
| 4 基于聚类的入侵检测系统的实现和算法改进 | 第28-42页 |
| ·KDD CUP99数据源介绍 | 第28-30页 |
| ·数据预处理模块 | 第30-34页 |
| ·特征的选择 | 第31-33页 |
| ·数值化,归一化处理 | 第33-34页 |
| ·基于FCM聚类分析和算法改进 | 第34-41页 |
| ·模糊C-均值算法存在的问题 | 第34页 |
| ·初始类心的改进 | 第34-35页 |
| ·多隶属度的提出 | 第35-36页 |
| ·基于最大距离的多隶属度模糊C-均值聚类 | 第36-37页 |
| ·实验的仿真与结果分析 | 第37-41页 |
| ·本章小结 | 第41-42页 |
| 5 聚类分析和关联分析的联合挖掘 | 第42-52页 |
| ·关联规则对聚类结果的修正模型 | 第42-43页 |
| ·关联规则库的生成和检测 | 第43-47页 |
| ·Apriori算法存在的问题和解决办法 | 第43-44页 |
| ·实验环境与数据准备 | 第44-45页 |
| ·实验结果与分析 | 第45-47页 |
| ·网络数据源的采集 | 第47-50页 |
| ·Winpcap工具包介绍 | 第47-48页 |
| ·网络数据包的获取过程 | 第48-49页 |
| ·实验结果与分析 | 第49-50页 |
| ·本章小结 | 第50-52页 |
| 6 总结与展望 | 第52-54页 |
| ·论文的主要工作 | 第52页 |
| ·进一步展望 | 第52-54页 |
| 致谢 | 第54-56页 |
| 参考文献 | 第56-57页 |
