| 摘要 | 第3-4页 |
| Abstract | 第4页 |
| 目录 | 第5-7页 |
| 1 绪论 | 第7-17页 |
| 1.1 论文背景 | 第7-14页 |
| 1.1.1 入侵检测的必要性 | 第8页 |
| 1.1.2 入侵检测技术的发展与研究现状 | 第8-10页 |
| 1.1.3 入侵检测系统的分类 | 第10-12页 |
| 1.1.4 入侵检测算法 | 第12-14页 |
| 1.1.5 课题来源 | 第14页 |
| 1.2 论文的研究内容和组织结构 | 第14-17页 |
| 1.2.1 论文的研究内容 | 第14-15页 |
| 1.2.2 论文的组织结构 | 第15-17页 |
| 2 支持向量机理论概述 | 第17-27页 |
| 2.1 机器学习的基本问题 | 第17-18页 |
| 2.1.1 问题的表示 | 第17-18页 |
| 2.1.2 经验风险最小化原则 | 第18页 |
| 2.2 统计学习理论 | 第18-22页 |
| 2.2.1 传统的机器学习方法的不足 | 第19页 |
| 2.2.2 VC维 | 第19-20页 |
| 2.2.3 推广性的界 | 第20-21页 |
| 2.2.4 结构风险最小化(SRM) | 第21-22页 |
| 2.3 支持向量机(SVM) | 第22-25页 |
| 2.3.1 最优分类面 | 第22-24页 |
| 2.3.2 广义最优分类面 | 第24-25页 |
| 2.3.3 核函数 | 第25页 |
| 2.4 统计学习理论(SLT)和支持向量机(SVM)的优点 | 第25-27页 |
| 3 基于SVM的网络入侵检测机制 | 第27-37页 |
| 3.1 网络入侵行为分类 | 第27-28页 |
| 3.2 基于SVM的网络入侵检测思想 | 第28-30页 |
| 3.2.1 统计学习理论与网络入侵检测 | 第28-29页 |
| 3.2.2 基于SVM的网络入侵检测基本结构 | 第29-30页 |
| 3.3 基于SVM的网络入侵检测系统模型 | 第30-33页 |
| 3.3.1 入侵检测系统的CIDF模型 | 第30-31页 |
| 3.3.2 基于SVM的网络入侵检测系统模型 | 第31-33页 |
| 3.4 网络数据包信息的提取 | 第33-34页 |
| 3.5 网络连接信息的提取 | 第34-37页 |
| 4 训练过程的改进 | 第37-50页 |
| 4.1 特征数据的预处理 | 第37-39页 |
| 4.1.1 异构数据集上的距离度量函数HVDM | 第37-38页 |
| 4.1.2 网络连接记录的特征信息的预处理流程 | 第38-39页 |
| 4.2 训练数据集的选取 | 第39-42页 |
| 4.3 特征加权 | 第42-48页 |
| 4.4 样本比例增加 | 第48-50页 |
| 5 实验及数据分析 | 第50-58页 |
| 5.1 入侵检测系统和算法的评估标准 | 第50页 |
| 5.2 实验环境 | 第50-52页 |
| 5.3 实验数据处理 | 第52-54页 |
| 5.3.1 训练数据的选取 | 第52-53页 |
| 5.3.2 训练数据及测试数据的构成 | 第53-54页 |
| 5.4 SVM的训练步骤及核函数的选择 | 第54-55页 |
| 5.4.1 SVM的训练和预测步骤 | 第54-55页 |
| 5.4.2 核函数的确定和参数的选择 | 第55页 |
| 5.5 实验结果 | 第55-56页 |
| 5.6 实验结果分析 | 第56-58页 |
| 6 总结与展望 | 第58-61页 |
| 6.1 总结 | 第58-59页 |
| 6.2 对未来研究的展望 | 第59-61页 |
| 致谢 | 第61-62页 |
| 参考文献 | 第62-66页 |