基于聚类与决策树的入侵检测系统的研究与实现
| 摘要 | 第1-5页 |
| ABSTRACT | 第5-11页 |
| 第一章 绪论 | 第11-15页 |
| ·网络安全现状 | 第11页 |
| ·课题研究的目的和意义 | 第11-12页 |
| ·课题研究的理论基础 | 第12-13页 |
| ·论文的主要工作及组织结构 | 第13-15页 |
| 第二章 入侵检测技术 | 第15-26页 |
| ·入侵检测概述 | 第15-18页 |
| ·入侵检测系统的原理 | 第15-16页 |
| ·入侵检测的步骤 | 第16-17页 |
| ·入侵检测系统的基本结构 | 第17-18页 |
| ·入侵检测分类 | 第18-21页 |
| ·按照信息源分类 | 第18-20页 |
| ·按照分析方法分类 | 第20-21页 |
| ·其他分类方法 | 第21页 |
| ·入侵检测的分析方法 | 第21-24页 |
| ·误用入侵检测技术 | 第22-23页 |
| ·异常入侵检测技术 | 第23-24页 |
| ·入侵检测技术发展方向 | 第24-25页 |
| ·本章小结 | 第25-26页 |
| 第三章 聚类与决策树 | 第26-40页 |
| ·聚类的概念 | 第26页 |
| ·聚类分析方法 | 第26-28页 |
| ·数据对象和非相似度 | 第28-33页 |
| ·对象矩阵 | 第28页 |
| ·非相似度矩阵 | 第28-29页 |
| ·各种属性非相似度计算 | 第29-31页 |
| ·数值类型属性归一化处理 | 第31-33页 |
| ·决策树的概念 | 第33-37页 |
| ·决策树的生成过程 | 第33页 |
| ·决策树的剪枝技术 | 第33-35页 |
| ·决策树中分类规则获取 | 第35-36页 |
| ·决策树的性能评价 | 第36-37页 |
| ·信息熵在决策树中应用 | 第37-39页 |
| ·信息熵概念 | 第37页 |
| ·决策树与信息增益 | 第37-39页 |
| ·本章小结 | 第39-40页 |
| 第四章 基于聚类与决策树的入侵检测算法 | 第40-52页 |
| ·基于聚类的入侵检测 | 第40-42页 |
| ·入侵检测中的传统聚类算法 | 第40-42页 |
| ·传统聚类算法存在的问题 | 第42页 |
| ·面向混合属性的改进k-means 聚类算法 | 第42-46页 |
| ·对象间距离的计算 | 第42-44页 |
| ·聚类中心计算方法 | 第44-45页 |
| ·改进的k-means 算法 | 第45-46页 |
| ·C4.5 算法与入侵检测 | 第46-47页 |
| ·C4.5 属性增益率的计算 | 第46页 |
| ·C4.5 决策树的规则抽取和剪枝 | 第46-47页 |
| ·C4.5 算法应用于入侵检测 | 第47页 |
| ·检测算法构造 | 第47-50页 |
| ·综合检测算法的基础 | 第47页 |
| ·构造综合检测算法 | 第47-50页 |
| ·实验分析 | 第50-51页 |
| ·实验数据来源 | 第50页 |
| ·实验结果 | 第50-51页 |
| ·本章小结 | 第51-52页 |
| 第五章 入侵检测的设计与实现 | 第52-65页 |
| ·入侵检测系统的总体结构 | 第52页 |
| ·数据收集及预处理模块 | 第52-59页 |
| ·数据捕获设备的位置 | 第53-54页 |
| ·数据缓冲区设置 | 第54-55页 |
| ·数据捕获 | 第55-57页 |
| ·数据预处理 | 第57-59页 |
| ·训练模块 | 第59-63页 |
| ·生成聚类 | 第59-61页 |
| ·生成决策树 | 第61-63页 |
| ·数据检测模块 | 第63-64页 |
| ·本章小结 | 第64-65页 |
| 第六章 总结与展望 | 第65-66页 |
| 参考文献 | 第66-69页 |
| 致谢 | 第69-70页 |
| 在学期间的研究成果及发表的学术论文 | 第70页 |
