首页--工业技术论文--自动化技术、计算机技术论文--计算技术、计算机技术论文--计算机的应用论文--计算机网络论文--一般性问题论文

基于SVM的异常网络行为检测方法研究

摘要第4-5页
abstract第5页
第一章 绪论第8-12页
    1.1 研究背景与意义第8页
    1.2 国内外研究现状第8-9页
    1.3 本文主要研究内容第9-10页
    1.4 论文组织结构第10-12页
第二章 支持向量机理论在入侵检测系统中的研究第12-25页
    2.1 入侵检测系统概念第12-16页
        2.1.1 入侵检测系统的框架第12-13页
        2.1.2 入侵检测的分类第13-14页
        2.1.3 基于SVM的入侵检测方法第14-16页
    2.2 支持向量机的基本理论第16-19页
        2.2.1 学习问题的表示第16-17页
        2.2.2 经验风险最小化原则第17页
        2.2.3 VC维第17-18页
        2.2.4 推广性的界第18页
        2.2.5 结构风险最小化原则第18-19页
    2.3 线性可分和非线性可分支持向量分类机第19-24页
        2.3.1 最大间隔原则第19-20页
        2.3.2 对偶问题及其与原始问题的关系第20-21页
        2.3.3 线性可分的支持向量机分类算法第21-22页
        2.3.4 非线性SVM概述第22-23页
        2.3.5 核函数及选择第23-24页
        2.3.6 非线性SVM分类算法第24页
    2.4 本章小结第24-25页
第三章 R-SVM降维和超球约减相结合的特征选择算法第25-38页
    3.1 网络入侵检测的数据集第25-29页
        3.1.1 KDD99数据集第25-29页
        3.1.2 数据集规范化第29页
    3.2 使用递归支持向量机(R-SVM)对数据集进行降维第29-33页
        3.2.1 递归支持向量机理论第30-31页
        3.2.2 实验结果分析第31-33页
    3.3 使用超球算法约减数据集第33-37页
        3.3.1 超球约减算法理论第33-34页
        3.3.2 超球约减算法的参数选择第34-36页
        3.3.3 实验结果分析第36-37页
    3.4 本章小结第37-38页
第四章 基于R-SVM降维和超球约减的改进SVM增量学习算法第38-51页
    4.1 概述第38页
    4.2 支持向量集的概念及特点第38-39页
    4.3 SVM增量学习过程分析第39-42页
        4.3.1 增量学习对支持向量集变化的影响第40-42页
    4.4 现有的SVM增量学习算法第42-46页
        4.4.1 BatchSVM第42页
        4.4.2 基于KKT条件的增量学习算法第42-46页
    4.5 基于超球约减和差错推动策略的改进SVM增量式学习算法第46-50页
        4.5.1 超球向量与差错推动策略第47页
        4.5.2 对原nSV集的处理第47-48页
        4.5.3 差错推动策略第48-49页
        4.5.4 本文算法描述第49-50页
    4.6 本章小结第50-51页
第五章 实验和结果分析第51-57页
    5.1 实验使用的软硬件环境第51页
    5.2 实验结果的评价标准第51-52页
    5.3 基于R-SVM降维和超球约减相结合的SVM实验第52-53页
    5.4 基于R-SVM降维和超球约减相结合的改进SVM增量算法实验第53-56页
    5.5 本章小结第56-57页
第六章 总结与展望第57-58页
参考文献第58-61页
附录1 攻读硕士学位期间申请的专利第61-62页
致谢第62页

论文共62页,点击 下载论文
上一篇:软件定义网络中DDoS攻击检测研究
下一篇:基于WebSocket的服务器推送技术的研究与实现