基于SVM的多分类增量学习算法及其在入侵检测中的应用研究
| 提要 | 第1-5页 |
| 摘要 | 第5-7页 |
| Abstract | 第7-11页 |
| 第1章 绪论 | 第11-17页 |
| ·计算机网络安全 | 第11-12页 |
| ·入侵检测 | 第12-15页 |
| ·入侵检测的分类及常用技术 | 第13-15页 |
| ·入侵检测面临的挑战 | 第15页 |
| ·本文的主要研究内容及组织结构 | 第15-17页 |
| ·研究内容 | 第15-16页 |
| ·本文的组织结构 | 第16-17页 |
| 第2章 基于支持向量机的M-SVM算法 | 第17-30页 |
| ·支持向量机理论 | 第17-21页 |
| ·经验风险最小化 | 第17-18页 |
| ·VC维和结构风险最小化 | 第18-19页 |
| ·支持向量机 | 第19-21页 |
| ·M-SVM算法 | 第21-29页 |
| ·多分类SVM及特点分析 | 第21-23页 |
| ·M-SVM算法 | 第23-26页 |
| ·M-SVM算法分析 | 第26-29页 |
| ·本章小结 | 第29-30页 |
| 第3章 支持增量学习的MI-SVM算法 | 第30-38页 |
| ·增量学习理论 | 第30-31页 |
| ·基于SVM的增量学习算法 | 第31-32页 |
| ·MI-SVM算法 | 第32-37页 |
| ·多分类增量学习分析 | 第32-34页 |
| ·MI-SVM算法 | 第34-35页 |
| ·MI-SVM算法分析 | 第35-36页 |
| ·MI-SVM与入侵检测 | 第36-37页 |
| ·本章小结 | 第37-38页 |
| 第4章 MI-SVM算法在入侵检测中的应用 | 第38-50页 |
| ·数据集及实验环境 | 第38-39页 |
| ·入侵检测仿真实验与结果分析 | 第39-49页 |
| ·数据预处理 | 第39-40页 |
| ·确定参数Sn | 第40-43页 |
| ·仿真实验及结果分析 | 第43-49页 |
| ·本章小结 | 第49-50页 |
| 第5章 总结与展望 | 第50-52页 |
| ·总结 | 第50页 |
| ·展望 | 第50-52页 |
| 参考文献 | 第52-55页 |
| 作者简介及在学期间所取得的科研成果 | 第55-56页 |
| 致谢 | 第56页 |
