| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 专用术语注释表 | 第8-9页 |
| 第一章 绪论 | 第9-16页 |
| 1.1 入侵检测技术研究背景和意义 | 第9-10页 |
| 1.2 支持向量机在入侵检测中应用 | 第10-12页 |
| 1.2.1 支持向量机应用于入侵检测的可行性分析 | 第10-11页 |
| 1.2.2 支持向量机特点及其在入侵检测中研究热点 | 第11-12页 |
| 1.3 粒子群算法及其应用现状 | 第12-13页 |
| 1.4 入侵检测技术发展历程 | 第13页 |
| 1.5 本文的主要工作 | 第13-14页 |
| 1.6 本文的组织结构 | 第14-16页 |
| 第二章 预备知识 | 第16-29页 |
| 2.1 入侵检测概述 | 第16-20页 |
| 2.1.1 入侵检测基本概念 | 第16页 |
| 2.1.2 入侵检测基本结构及工作流程 | 第16-17页 |
| 2.1.3 入侵检测必要性 | 第17-18页 |
| 2.1.4 入侵检测系统的作用 | 第18页 |
| 2.1.5 入侵检测系统的类型分类 | 第18-20页 |
| 2.2 核方法 | 第20-21页 |
| 2.2.1 核定义 | 第20页 |
| 2.2.2 核方法基本思想 | 第20-21页 |
| 2.3 支持向量机基本原理 | 第21-25页 |
| 2.3.1 支持向量机概述 | 第21-22页 |
| 2.3.2 支持向量机的分类 | 第22-25页 |
| 2.4 粒子群算法 | 第25-28页 |
| 2.4.1 粒子群算法原理 | 第25-27页 |
| 2.4.2 PSO 算法实现步骤及流程图 | 第27-28页 |
| 2.4.3 粒子群优化算法的研究方向 | 第28页 |
| 2.5 本章小结 | 第28-29页 |
| 第三章 基于混合核的 KPCA 入侵检测数据特征提取研究 | 第29-40页 |
| 3.1 特征选择与特征提取概念 | 第29-30页 |
| 3.2 PCA 算法 | 第30页 |
| 3.3 KPCA 算法 | 第30-32页 |
| 3.3.1 KPCA 算法基本原理 | 第30-32页 |
| 3.3.2 KPCA 特性 | 第32页 |
| 3.4 基于混合核函数的 KPCA 算法 | 第32-34页 |
| 3.4.1 核函数的改进 | 第32-34页 |
| 3.4.2 基于混合核函数 KPCA 算法的实现步骤 | 第34页 |
| 3.5 实验与分析 | 第34-39页 |
| 3.5.1 实验数据简介 | 第34-36页 |
| 3.5.2 实验数据预处理 | 第36-37页 |
| 3.5.3 特征提取及分类 | 第37-39页 |
| 3.6 本章小结 | 第39-40页 |
| 第四章 基于动态粒子群优化的 SVM 入侵检测算法 | 第40-49页 |
| 4.1 基于动态粒子群优化的 SVM 模型结构 | 第40-46页 |
| 4.1.1 基于动态权重的粒子群算法 | 第40-42页 |
| 4.1.2 基于动态加速因子的粒子群算法 | 第42-44页 |
| 4.1.3 基于动态粒子群优化的 SVM 算法 | 第44-46页 |
| 4.2 实验与分析 | 第46-48页 |
| 4.3 本章小结 | 第48-49页 |
| 第五章 基于动态混沌粒子群优化的 SVM 入侵检测算法 | 第49-54页 |
| 5.1 粒子群优化原则 | 第49页 |
| 5.2 基于动态混沌粒子群优化的 SVM 模型结构 | 第49-52页 |
| 5.2.1 混沌粒子群算法的基本思想 | 第49-50页 |
| 5.2.2 混沌粒子群算法原理 | 第50页 |
| 5.2.3 基于动态混沌粒子群优化的 SVM 算法 | 第50-52页 |
| 5.3 实验与分析 | 第52-53页 |
| 5.4 本章小结 | 第53-54页 |
| 第六章 总结与展望 | 第54-56页 |
| 6.1 总结 | 第54页 |
| 6.2 展望 | 第54-56页 |
| 参考文献 | 第56-59页 |
| 附录1 程序清单 | 第59-60页 |
| 附录2 攻读硕士学位期间撰写的论文 | 第60-61页 |
| 附录3 攻读硕士学位期间参加的科研项目 | 第61-62页 |
| 致谢 | 第62页 |
