基于支持向量机的网络入侵检测系统研究
| 摘要 | 第1-4页 |
| ABSTRACT | 第4-5页 |
| 目录 | 第5-7页 |
| 第一章 引言 | 第7-11页 |
| ·支持向量机研究背景 | 第7-8页 |
| ·网络入侵检测系统研究背景 | 第8页 |
| ·主要工作和内容结构 | 第8-9页 |
| ·研究意义 | 第9-11页 |
| 第二章 支持向量机理论基础 | 第11-22页 |
| ·统计学习理论基础 | 第11-13页 |
| ·学习问题表示 | 第11-12页 |
| ·结构风险最小化 | 第12-13页 |
| ·支持向量机 | 第13-19页 |
| ·最优分类超平面 | 第13-15页 |
| ·广义最优分类超平面 | 第15页 |
| ·支持向量机的分类 | 第15-18页 |
| ·支持向量机的核函数 | 第18-19页 |
| ·常用SVM算法 | 第19-22页 |
| ·C-SVM算法 | 第19-20页 |
| ·v-SVM算法 | 第20页 |
| ·One-class SVM算法 | 第20-22页 |
| 第三章 网络入侵检测系统概述 | 第22-32页 |
| ·网络入侵检测系统的概念、功能及模型 | 第22-24页 |
| ·网络入侵检测系统的概念和功能 | 第22-23页 |
| ·网络入侵检测系统模型 | 第23-24页 |
| ·网络入侵检测系统的系统分类 | 第24-26页 |
| ·按照检测信息源分类 | 第24-25页 |
| ·按照检测方法分类 | 第25页 |
| ·按照体系结构分类 | 第25-26页 |
| ·网络入侵主要检测技术 | 第26-29页 |
| ·专家系统 | 第26页 |
| ·状态转换分析 | 第26-27页 |
| ·统计分析 | 第27页 |
| ·神经网络方法 | 第27-28页 |
| ·基于Agent的检测 | 第28-29页 |
| ·网络入侵检测系统的局限性和发展趋势 | 第29-32页 |
| ·网络入侵检测系统的局限性 | 第29-30页 |
| ·网络入侵检测系统的发展趋势 | 第30-32页 |
| 第四章 基于SVM的网络入侵检测系统 | 第32-44页 |
| ·基本思想 | 第32页 |
| ·系统总体模型 | 第32-35页 |
| ·数据采集以及数据预处理模块 | 第35-36页 |
| ·启发式支持向量机快速学习算法 | 第36-43页 |
| ·主动学习 | 第36-37页 |
| ·启发式方法 | 第37-39页 |
| ·内积矩阵分解算法 | 第39-42页 |
| ·启发式支持向量机学习算法思想 | 第42-43页 |
| ·本章小节 | 第43-44页 |
| 第五章 实验及结果分析 | 第44-59页 |
| ·入侵检测系统和算法的评估标准 | 第44-45页 |
| ·实验数据描述 | 第45-48页 |
| ·实验环境 | 第45-46页 |
| ·实验数据描述 | 第46-47页 |
| ·数据集选取 | 第47-48页 |
| ·SVM训练步骤和核函数的选择 | 第48-51页 |
| ·SVM训练步骤 | 第48-49页 |
| ·数据集预处理 | 第49-50页 |
| ·核函数的选择 | 第50-51页 |
| ·仿真实验与结果分析 | 第51-58页 |
| ·参数确定 | 第51-55页 |
| ·学习算法实验分析 | 第55-56页 |
| ·模拟攻击实验分析 | 第56-58页 |
| ·本章小结 | 第58-59页 |
| 第六章 总结和展望 | 第59-60页 |
| 参考文献 | 第60-64页 |
| 附录 | 第64-67页 |
| 致谢 | 第67-68页 |
| 攻读学位期间主要的研究成果 | 第68页 |
