| 摘要 | 第1-4页 |
| ABSTRACT | 第4-8页 |
| 1 绪论 | 第8-13页 |
| ·课题背景及研究意义 | 第8页 |
| ·入侵检测国内外研究现状 | 第8-10页 |
| ·入侵检测技术发展趋势 | 第10页 |
| ·本论文的研究内容和成果 | 第10-11页 |
| ·本论文的章节安排 | 第11-13页 |
| 2 入侵检测概述及关键技术 | 第13-21页 |
| ·入侵检测概述 | 第13-16页 |
| ·入侵检测体系结构 | 第13-14页 |
| ·入侵检测分类 | 第14-16页 |
| ·粗糙集理论 | 第16-17页 |
| ·支持向量机 | 第17-20页 |
| ·最优分类面 | 第17-19页 |
| ·广义最优分类面 | 第19页 |
| ·核函数 | 第19-20页 |
| ·增量学习 | 第20页 |
| ·本章小结 | 第20-21页 |
| 3 基于简化二进制差别矩阵的增量式属性约简算法 | 第21-30页 |
| ·研究基础 | 第21-22页 |
| ·基于简化二进制差别矩阵的增量式属性约简算法 | 第22-28页 |
| ·简化二进制差别矩阵 | 第22-24页 |
| ·对新增对象的分析 | 第24-25页 |
| ·增量式属性约简算法实现 | 第25-27页 |
| ·算法分析 | 第27-28页 |
| ·实例说明 | 第28-29页 |
| ·本章小结 | 第29-30页 |
| 4 基于云模型的 SVM 增量入侵检测方法 | 第30-40页 |
| ·研究基础 | 第30-33页 |
| ·支持向量 | 第31页 |
| ·KKT 条件 | 第31-32页 |
| ·云理论 | 第32-33页 |
| ·基于云边界向量的增量 SVM 学习算法 | 第33-38页 |
| ·云边界区的确定 | 第33-35页 |
| ·KKT 条件与样本分布 | 第35-37页 |
| ·C-ISVM 学习算法 | 第37页 |
| ·时间复杂度 | 第37-38页 |
| ·基于 C-ISVM 的入侵检测算法 | 第38-39页 |
| ·本章小结 | 第39-40页 |
| 5 基于粗糙集和 SVM 的增量式入侵检测方法和实验结果 | 第40-51页 |
| ·基于粗糙集和 SVM 的增量式入侵检测方法 | 第40-42页 |
| ·实验与分析 | 第42-49页 |
| ·数据集的预处理和实验安排 | 第42-43页 |
| ·基于 SBDM-IAR 的特征选择算法的实验与分析 | 第43-47页 |
| ·基于 C-ISVM 的入侵检测算法的实验与分析 | 第47-48页 |
| ·基于 IA-RS-SVM 入侵检测的实验与分析 | 第48-49页 |
| ·本章小结 | 第49-51页 |
| 6 总结与展望 | 第51-53页 |
| ·总结 | 第51-52页 |
| ·展望 | 第52-53页 |
| 致谢 | 第53-54页 |
| 参考文献 | 第54-58页 |
| 附录 | 第58页 |