基于神经网络入侵检测技术的研究
| 摘要 | 第4-6页 |
| abstract | 第6-7页 |
| 1 绪论 | 第11-17页 |
| 1.1 课题研究背景和意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-14页 |
| 1.3 本文主要研究内容 | 第14-15页 |
| 1.4 文章结构安排 | 第15-16页 |
| 1.5 本章小结 | 第16-17页 |
| 2 相关理论研究 | 第17-29页 |
| 2.1 入侵检测技术 | 第17-21页 |
| 2.1.1 入侵检测概念 | 第17页 |
| 2.1.2 入侵检测分类 | 第17-19页 |
| 2.1.3 入侵检测研究方法 | 第19-20页 |
| 2.1.4 入侵检测评价指标 | 第20页 |
| 2.1.5 当前入侵检测存在的问题 | 第20-21页 |
| 2.2 人工神经网络 | 第21-23页 |
| 2.2.1 神经网络概述 | 第21页 |
| 2.2.2 神经网络基本组成 | 第21-22页 |
| 2.2.3 神经网络的学习方法 | 第22页 |
| 2.2.4 基于神经网络入侵检测的优势 | 第22-23页 |
| 2.3 经典BP神经网络 | 第23-25页 |
| 2.3.1 BP神经网络结构 | 第23-24页 |
| 2.3.2 BP网络算法描述 | 第24-25页 |
| 2.4 经典RBF神经网络 | 第25-28页 |
| 2.4.1 RBF神经网络结构 | 第25-26页 |
| 2.4.2 RBF网络算法描述 | 第26-28页 |
| 2.5 本章小结 | 第28-29页 |
| 3 特征数值化与预处理 | 第29-43页 |
| 3.1 KDD99数据集 | 第29-32页 |
| 3.2 特征分类与提取 | 第32-34页 |
| 3.3 特征数值化 | 第34-35页 |
| 3.4 数据归一化处理 | 第35-41页 |
| 3.4.1 归一化方法 | 第35-36页 |
| 3.4.2 归一化分析 | 第36-40页 |
| 3.4.3 归一化方法评估 | 第40-41页 |
| 3.5 本章小结 | 第41-43页 |
| 4 基于RBF网络入侵检测的改进模型 | 第43-55页 |
| 4.1 实验数据 | 第43-44页 |
| 4.2 实验环境 | 第44-45页 |
| 4.3 RBF网络入侵检测改进模型的创建与实现 | 第45-50页 |
| 4.3.1 RBF网络模型 | 第45页 |
| 4.3.2 改进的RBF网络入侵检测模型的构建 | 第45-50页 |
| 4.4 仿真实验与结果分析 | 第50-54页 |
| 4.4.1 实验结果分析 | 第50-52页 |
| 4.4.2 与BP网络的对比 | 第52-54页 |
| 4.4.3 与已发表成果的对比 | 第54页 |
| 4.5 本章小结 | 第54-55页 |
| 5 基于SFLA优化的RBF入侵检测算法 | 第55-65页 |
| 5.1 SFLA算法 | 第56-57页 |
| 5.2 SFLA-RBF入侵检测算法 | 第57-60页 |
| 5.2.1 算法分析 | 第57-59页 |
| 5.2.2 算法描述 | 第59-60页 |
| 5.3 实验结果分析 | 第60-61页 |
| 5.4 与已发表成果的对比 | 第61-63页 |
| 5.5 本章小结 | 第63-65页 |
| 6 在线入侵检测技术的研究 | 第65-73页 |
| 6.1 实验环境部署 | 第65-66页 |
| 6.2 实时捕获数据包 | 第66-68页 |
| 6.3 特征提取及编码 | 第68-69页 |
| 6.4 RBF神经网络的仿真 | 第69-70页 |
| 6.5 实验结果分析 | 第70-71页 |
| 6.6 本章小结 | 第71-73页 |
| 7 结论 | 第73-75页 |
| 7.1 全文总结 | 第73-74页 |
| 7.2 研究展望 | 第74-75页 |
| 参考文献 | 第75-81页 |
| 攻读学位期间发表（含录用）学术论文清单 | 第81-83页 |
| 致谢 | 第83页 |
