| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第1章 绪论 | 第11-21页 |
| 1.1 引言 | 第11页 |
| 1.2 物联网安全简介 | 第11-15页 |
| 1.2.1 物联网的安全体系架构 | 第11-12页 |
| 1.2.2 物联网感知层面临的网络攻击 | 第12-13页 |
| 1.2.3 物联网感知层安全需求分析 | 第13-14页 |
| 1.2.4 物联网感知节点的结构 | 第14-15页 |
| 1.3 选题背景与意义 | 第15-18页 |
| 1.3.1 物联网入侵检测国内外研究现状 | 第15-18页 |
| 1.3.2 物联网入侵检测研究的意义 | 第18页 |
| 1.4 论文主要研究工作 | 第18-19页 |
| 1.5 论文主要结构 | 第19-21页 |
| 第2章 物联网入侵检测相关理论基础 | 第21-37页 |
| 2.1 物联网入侵检测相关概念 | 第21-24页 |
| 2.1.1 入侵检测基本原理 | 第21-23页 |
| 2.1.2 物联网入侵检测分类 | 第23-24页 |
| 2.1.3 物联网入侵检测的必要性 | 第24页 |
| 2.2 物联网入侵检测的困难性 | 第24-28页 |
| 2.2.1 传统入侵检测面临的问题 | 第24-25页 |
| 2.2.2 物联网入侵检测与传统入侵检测的区别 | 第25-27页 |
| 2.2.3 物联网入侵检测的设计要求 | 第27-28页 |
| 2.3 物联网感知层入侵检测相关技术 | 第28-30页 |
| 2.3.1 基于多代理技术的物联网入侵检测技术 | 第28-29页 |
| 2.3.2 基于机器学习的物联网入侵检测技术 | 第29-30页 |
| 2.4 最小二乘支持向量机 | 第30-36页 |
| 2.4.1 支持向量机原理 | 第30-33页 |
| 2.4.2 最小二乘支持向量机(LSSVM)原理 | 第33-35页 |
| 2.4.3 核函数 | 第35-36页 |
| 2.4.4 最小二乘支持向量机的稀疏性 | 第36页 |
| 2.5 本章小结 | 第36-37页 |
| 第3章 基于稀疏化LSSVM的物联网感知层入侵检测 | 第37-65页 |
| 3.1 物联网感知层入侵检测系统总体设计 | 第37-40页 |
| 3.1.1 物联网感知节点的入侵检测部署 | 第37-38页 |
| 3.1.2 LSSVM模型在物联网入侵检测中的合理性 | 第38-39页 |
| 3.1.3 物联网入侵检测框架设计 | 第39-40页 |
| 3.1.4 物联网入侵检测稀疏算法的思路 | 第40页 |
| 3.2 基于数据稀疏的LSSVM算法 | 第40-51页 |
| 3.2.1 数据稀疏对于节点入侵检测的必要性 | 第41页 |
| 3.2.2 K均值算法(K-means) | 第41-42页 |
| 3.2.3 改进的K均值算法 | 第42-44页 |
| 3.2.4 基于拉依达准则的去噪方法 | 第44-46页 |
| 3.2.5 基于欧式距离的样本选择方法 | 第46-49页 |
| 3.2.6 基于KPE_LSSVM数据稀疏流程 | 第49-51页 |
| 3.3 基于核矩阵稀疏的LSSVM算法 | 第51-57页 |
| 3.3.1 核矩阵稀疏对于节点入侵检测的必要性 | 第51-52页 |
| 3.3.2 过滤式特征选择(Relief) | 第52-53页 |
| 3.3.3 传统剪枝法 | 第53-54页 |
| 3.3.4 样本个体的分类重要性 | 第54-55页 |
| 3.3.5 非支持向量的信息转移 | 第55-56页 |
| 3.3.6 RP_LSSVM稀疏化原理 | 第56-57页 |
| 3.4 基于混合稀疏化LSSVM的物联网感知层入侵检测模型 | 第57-63页 |
| 3.4.1 物联网稀疏化LSSVM入侵检测模型 | 第57-59页 |
| 3.4.2 物联网入侵检测的数据预处理模块 | 第59-61页 |
| 3.4.3 物联网LSSVM入侵检测分类器设计 | 第61-63页 |
| 3.4.4 物联网入侵检测决策模块 | 第63页 |
| 3.5 本章小结 | 第63-65页 |
| 第4章 实验结果及分析 | 第65-81页 |
| 4.1 实验数据和评估指标 | 第65-68页 |
| 4.1.1 实验数据 | 第65-67页 |
| 4.1.2 评估指标 | 第67-68页 |
| 4.2 数据预处理及参数选取 | 第68-70页 |
| 4.2.1 数据降维 | 第68页 |
| 4.2.2 最优参数的选取 | 第68-70页 |
| 4.3 基于数据稀疏LSSVM的入侵检测性能评估 | 第70-74页 |
| 4.3.1 改进的K均值聚类 | 第70页 |
| 4.3.2 稀疏比例的优化选取 | 第70-72页 |
| 4.3.3 检测性能比较 | 第72-74页 |
| 4.4 基于核矩阵稀疏LSSVM的入侵检测性能评估 | 第74-77页 |
| 4.4.1 RP_LSSVM方法的检测效果 | 第74-75页 |
| 4.4.2 不同分类器的稀疏化比较 | 第75-76页 |
| 4.4.3 支持向量与误差的关系 | 第76-77页 |
| 4.5 混合稀疏模型与不同入侵检测模型的对比 | 第77-80页 |
| 4.5.1 NSL-KDD数据集实验结果对比分析 | 第77-79页 |
| 4.5.2 工业控制网络数据集实验结果对比分析 | 第79-80页 |
| 4.6 本章小结 | 第80-81页 |
| 第5章 总结与展望 | 第81-83页 |
| 5.1 主要结论 | 第81-82页 |
| 5.2 后续研究工作 | 第82-83页 |
| 参考文献 | 第83-87页 |
| 致谢 | 第87-89页 |
| 攻读硕士学位期间取得的成果 | 第89页 |
