基于SVM的入侵检测技术在医院统一外联平台中的研究
| 摘要 | 第3-4页 |
| ABSTRACT | 第4-5页 |
| 第一章 引言 | 第9-14页 |
| 1.1 课题背景 | 第9页 |
| 1.2 研究目的及意义 | 第9-11页 |
| 1.3 国内外研究现状 | 第11-12页 |
| 1.4 论文研究内容 | 第12-13页 |
| 1.5 论文组织结构 | 第13-14页 |
| 第二章 基础理论 | 第14-24页 |
| 2.1 入侵检测模型及其讨论 | 第14-15页 |
| 2.2 支持向量机原理及其讨论 | 第15-19页 |
| 2.2.1 VC维理论和结构风险最小原理 | 第15-17页 |
| 2.2.2 数据线性可分 | 第17-19页 |
| 2.2.3 数据非线性可分 | 第19页 |
| 2.3 人工蜂群算法原理及其讨论 | 第19-22页 |
| 2.4 BM模式匹配算法 | 第22-23页 |
| 2.5 本章小结 | 第23-24页 |
| 第三章 人工蜂群算法的支持向量机参数优化模型 | 第24-35页 |
| 3.1 支持向量机核函数选择和参数分析 | 第24-27页 |
| 3.1.1 核函数选择实验与分析 | 第24-25页 |
| 3.1.2 支持向量机参数选择实验与分析 | 第25-27页 |
| 3.2 人工蜂群优化SVM参数模型 | 第27-29页 |
| 3.3 人工蜂群优化SVM参数有效性实验 | 第29-33页 |
| 3.3.1 KDD CUP99实验数据集分析 | 第29-30页 |
| 3.3.2 实验数据预处理 | 第30-31页 |
| 3.3.3 SVM算法优化前后性能验证与分析 | 第31-33页 |
| 3.3.4 SVM算法优化后有效性验证与分析 | 第33页 |
| 3.4 本章小结 | 第33-35页 |
| 第四章 基于优化的SVM入侵检测系统实现 | 第35-49页 |
| 4.1 入侵检测框架 | 第35-36页 |
| 4.2 数据包捕获模块的实现 | 第36-37页 |
| 4.3 数据收集模块的实现 | 第37-42页 |
| 4.3.1 协议分析 | 第37-40页 |
| 4.3.2 收集分类数据 | 第40-42页 |
| 4.4 入侵行为识别模块的实现 | 第42-48页 |
| 4.4.1 优化后的SVM算法有效性检验 | 第43-44页 |
| 4.4.2 优化后的SVM算法在入侵检测中的应用 | 第44-45页 |
| 4.4.3 BM模式匹配算法时间性能验证与分析 | 第45-46页 |
| 4.4.4 BM模式匹配算法匹配次数实验与分析 | 第46页 |
| 4.4.5 BM算法在入侵检测中的应用 | 第46-48页 |
| 4.5 本章小结 | 第48-49页 |
| 第五章 入侵检测系统在外联平台中的应用 | 第49-58页 |
| 5.1 入侵检测系统在平台中的部署 | 第49-50页 |
| 5.2 过滤规则设置 | 第50-52页 |
| 5.3 网络接口及参数设置 | 第52-53页 |
| 5.4 入侵行为识别 | 第53-57页 |
| 5.4.1 攻击类型分析 | 第54-55页 |
| 5.4.2 端口扫描技术 | 第55页 |
| 5.4.3 TCP SYN攻击的识别 | 第55-56页 |
| 5.4.4 Ping攻击的识别 | 第56-57页 |
| 5.5 本章小结 | 第57-58页 |
| 第六章 总结和展望 | 第58-60页 |
| 6.1 主要结论 | 第58页 |
| 6.2 研究展望 | 第58-60页 |
| 参考文献 | 第60-64页 |
| 在学期间的研究成果 | 第64-65页 |
| 致谢 | 第65页 |
