| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-16页 |
| 1.1 课题研究及意义 | 第10-11页 |
| 1.2 相关技术国内外研究概况 | 第11-13页 |
| 1.2.1 模糊测试技术 | 第11-12页 |
| 1.2.2 机器学习技术 | 第12-13页 |
| 1.3 论文主要工作及论文结构 | 第13-16页 |
| 第二章 机器学习模型及其应用研究 | 第16-26页 |
| 2.1 机器学习概述 | 第16-17页 |
| 2.1.1 机器学习定义 | 第16页 |
| 2.1.2 机器学习策略 | 第16-17页 |
| 2.2 机器学习的算法类型 | 第17-19页 |
| 2.3 支持向量机算法 | 第19-21页 |
| 2.4 神经网络算法 | 第21-24页 |
| 2.4.1 神经网络算法概述 | 第21页 |
| 2.4.2 神经网络的结构 | 第21-22页 |
| 2.4.3 神经网络的功能 | 第22-24页 |
| 2.5 本章小结 | 第24-26页 |
| 第三章 针对网络协议的漏洞挖掘技术 | 第26-34页 |
| 3.1 漏洞挖掘技术分类 | 第26-28页 |
| 3.1.1 手工测试 | 第26页 |
| 3.1.2 二进制补丁比对技术 | 第26-27页 |
| 3.1.3 静态分析技术 | 第27页 |
| 3.1.4 动态分析技术 | 第27-28页 |
| 3.2 网络协议的模糊测试技术 | 第28-29页 |
| 3.2.1 模糊测试的测试步骤 | 第28-29页 |
| 3.2.2 数据生成和模糊试探值 | 第29页 |
| 3.3 漏洞挖掘模糊测试框架设计 | 第29-33页 |
| 3.3.1 数据构造模块 | 第29-30页 |
| 3.3.2 会话构造模块 | 第30-31页 |
| 3.3.3 监视代理模块 | 第31-33页 |
| 3.4 本章小结 | 第33-34页 |
| 第四章 机器学习模型改进的网络协议漏洞挖掘系统设计 | 第34-52页 |
| 4.1 基于机器学习模型改进的协议漏洞挖掘系统设计 | 第34-37页 |
| 4.2 测试用例的建模和归一化 | 第37-38页 |
| 4.3 支持向量机算法 | 第38-47页 |
| 4.3.1 支持向量机基本原理 | 第38-41页 |
| 4.3.2 支持向量机核函数和参数的选择 | 第41-43页 |
| 4.3.3 改进的支持向量机算法 | 第43-45页 |
| 4.3.4 优化的支持向量机聚类算法(SVC) | 第45-47页 |
| 4.4 BP神经网络算法 | 第47-51页 |
| 4.5 本章小结 | 第51-52页 |
| 第五章 系统仿真和结果分析 | 第52-64页 |
| 5.1 实验系统搭建与测试 | 第52-55页 |
| 5.2 算法仿真和分析 | 第55-62页 |
| 5.2.1 支持向量机算法分析 | 第55-58页 |
| 5.2.2 BP神经网络算法分析 | 第58-62页 |
| 5.3 本章小结 | 第62-64页 |
| 第六章 结论与展望 | 第64-66页 |
| 6.1 总结 | 第64-65页 |
| 6.2 展望 | 第65-66页 |
| 参考文献 | 第66-70页 |
| 致谢 | 第70-72页 |
| 攻读硕士学位期间发表的论文 | 第72页 |