| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第9-13页 |
| 1.1 研究背景及意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-11页 |
| 1.3 本文的主要工作 | 第11页 |
| 1.4 本文的组织结构 | 第11-13页 |
| 第2章 相关技术 | 第13-27页 |
| 2.1 入侵检测技术简介 | 第13-24页 |
| 2.1.1 入侵检测概述 | 第13-14页 |
| 2.1.2 入侵检测系统分类 | 第14-19页 |
| 2.1.3 入侵检测方法 | 第19-22页 |
| 2.1.4 通用的入侵检测模型 | 第22-24页 |
| 2.2 入侵容忍系统 | 第24-25页 |
| 2.3 KNN算法简介 | 第25-26页 |
| 2.4 本章小结 | 第26-27页 |
| 第3章 基于改进KNN算法的NIDS的设计 | 第27-37页 |
| 3.1 TCM-KNN算法简介 | 第27-29页 |
| 3.2 改进KNN算法原理 | 第29-30页 |
| 3.3 基于改进KNN算法的NIDS概要设计 | 第30-33页 |
| 3.3.1 离线训练 | 第31页 |
| 3.3.2 在线检测 | 第31-32页 |
| 3.3.3 基于奇异度隔离度结合算法的NIDS部件 | 第32-33页 |
| 3.4 基于改进KNN算法的NIDS详细设计 | 第33-35页 |
| 3.4.1 训练层奇异度隔离度结合算法 | 第34页 |
| 3.4.2 检测层奇异度隔离度结合算法 | 第34-35页 |
| 3.4.3 奇异度隔离度结合算法的计算复杂性 | 第35页 |
| 3.4.4 奇异度隔离度结合算法的参数优化 | 第35页 |
| 3.5 本章小结 | 第35-37页 |
| 第4章 基于改进KNN算法的NIDS的实现 | 第37-59页 |
| 4.1 KDD CUP99数据集简介 | 第37-44页 |
| 4.1.1 入侵检测数据集结构 | 第37-38页 |
| 4.1.2 KDD CUP99数据集攻击类型以及分布特点 | 第38-41页 |
| 4.1.3 数据集中网络连接记录属性介绍 | 第41-43页 |
| 4.1.4 KDD CUP99数据集的预处理 | 第43-44页 |
| 4.2 实现 | 第44-57页 |
| 4.2.1 数据集的标准化、归一化 | 第44-48页 |
| 4.2.2 分类程序的实现 | 第48-51页 |
| 4.2.3 训练层算法的实现及参数优化 | 第51-55页 |
| 4.2.4 检测层算法的实现 | 第55-57页 |
| 4.3 实验结果分析 | 第57-58页 |
| 4.4 本章小结 | 第58-59页 |
| 第5章 入侵容忍机制探讨 | 第59-65页 |
| 5.1 入侵容忍机制概要探讨 | 第59-60页 |
| 5.2 入侵容忍机制的详细探讨 | 第60-64页 |
| 5.2.1 管理器和控制台 | 第62-63页 |
| 5.2.2 警报代理 | 第63-64页 |
| 5.2.3 维护代理 | 第64页 |
| 5.3 本章小结 | 第64-65页 |
| 第6章 总结与展望 | 第65-67页 |
| 6.1 本文工作总结 | 第65页 |
| 6.2 不足和展望 | 第65-67页 |
| 参考文献 | 第67-71页 |
| 致谢 | 第71页 |