| 摘要 | 第1-4页 |
| Abstract | 第4-7页 |
| 1 绪论 | 第7-11页 |
| ·研究背景 | 第7-8页 |
| ·国内外研究进展及现状 | 第8-10页 |
| ·入侵检测研究现状 | 第8-9页 |
| ·支持向量机研究现状 | 第9-10页 |
| ·论文的研究内容和组织结构 | 第10-11页 |
| 2 入侵检测概述 | 第11-15页 |
| ·入侵检测系统简介 | 第11页 |
| ·入侵检测的分类 | 第11-12页 |
| ·入侵检测存在的问题和不足 | 第12-13页 |
| ·入侵检测技术的发展趋势 | 第13-15页 |
| 3 统计学习理论与支持向量机 | 第15-29页 |
| ·统计学习理论概述 | 第15-17页 |
| ·学习问题表示 | 第15-16页 |
| ·结构风险最小化 | 第16-17页 |
| ·线性分类器 | 第17-20页 |
| ·线性分类 | 第17-20页 |
| ·支持向量机 | 第20-25页 |
| ·最优分类面 | 第21-23页 |
| ·线性不可分情况下的最优分类面 | 第23-24页 |
| ·核函数用于非线性分类 | 第24页 |
| ·支持向量机 | 第24-25页 |
| ·常用核函数 | 第25页 |
| ·常用支持向量机算法 | 第25-29页 |
| ·C-SVM | 第25-26页 |
| ·v-SVM | 第26-28页 |
| ·超球面 SVM算法 | 第28-29页 |
| 4 基于 SVM 的入侵检测系统 | 第29-33页 |
| ·支持向量机应用于入侵检测 | 第29页 |
| ·基于 SVM 的入侵检测思想 | 第29-30页 |
| ·基于 SVM 的入侵检测模型 | 第30-33页 |
| 5 基于密度的样本剪裁算法 | 第33-39页 |
| ·算法描述 | 第33-36页 |
| ·仿真实验及算法分析 | 第36-39页 |
| ·实验数据 | 第36-37页 |
| ·结果分析 | 第37-39页 |
| 6 基于 CS-SVM与 BAGGING的分类算法 | 第39-45页 |
| ·代价敏感支持向量机(CS-SVM) | 第39-40页 |
| ·Bagging算法 | 第40-41页 |
| ·基于 CS-SVM与 Bagging的分类算法 | 第41-42页 |
| ·仿真实验及算法分析 | 第42-45页 |
| 7 总结与展望 | 第45-47页 |
| 致谢 | 第47-49页 |
| 参考文献 | 第49-53页 |
| 附录 | 第53页 |