基于Spark的内网行为分析技术研究
| 中文摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 第一章 绪论 | 第9-18页 |
| 1.1 研究背景及意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-15页 |
| 1.2.1 入侵检测技术研究现状 | 第10-12页 |
| 1.2.2 内网防御研究现状 | 第12-15页 |
| 1.2.3 Spark发展现状 | 第15页 |
| 1.3 本文研究内容及论文结构 | 第15-17页 |
| 1.4 本章小结 | 第17-18页 |
| 第二章 相关理论与技术 | 第18-24页 |
| 2.1 内网防御中分类算法的比较 | 第18-19页 |
| 2.2 内网防御中决策树类算法 | 第19-20页 |
| 2.3 信息熵的作用 | 第20-21页 |
| 2.4 Spark计算平台 | 第21-23页 |
| 2.5 本章小结 | 第23-24页 |
| 第三章 伪梯度提升决策树 | 第24-34页 |
| 3.1 AdaBoost-DTree和梯度提升 | 第24-29页 |
| 3.1.1 AdaBoost-DTree算法 | 第24-27页 |
| 3.1.2 AdaBoost-DTree分析 | 第27-29页 |
| 3.2 PBDT算法相关理论 | 第29-33页 |
| 3.2.1 PBDT算法设计 | 第29-31页 |
| 3.2.2 PBDT算法分类能力 | 第31-33页 |
| 3.3 本章小结 | 第33-34页 |
| 第四章 PBDT算法的设计与实现 | 第34-50页 |
| 4.1 Spark核心数据结构 | 第34-36页 |
| 4.1.1 RDD基本操作 | 第35页 |
| 4.1.2 依赖类型 | 第35-36页 |
| 4.2 基于Spark平台的PBDT算法的设计 | 第36-38页 |
| 4.2.1 PBDT算法中的类结构 | 第36页 |
| 4.2.2 PBDT算法中的模块和参数 | 第36-38页 |
| 4.3 基于Spark平台的PBDT算法的实现 | 第38-49页 |
| 4.3.1 特征的分裂和划分 | 第38-40页 |
| 4.3.2 样本格式转换 | 第40-42页 |
| 4.3.3 选取目的节点 | 第42-43页 |
| 4.3.4 求解节点最优划分 | 第43-49页 |
| 4.4 本章小结 | 第49-50页 |
| 第五章 PBDT算法的分析与预测 | 第50-64页 |
| 5.1 内网用户行为指令的设计与实现 | 第50-57页 |
| 5.1.1 数据清洗 | 第53-54页 |
| 5.1.2 按数据源进行收集 | 第54-55页 |
| 5.1.3 生成最终核心向量—向量化处理 | 第55-57页 |
| 5.2 内网用户行为指令的训练分析 | 第57-58页 |
| 5.3 内网户行为指令的预测 | 第58-63页 |
| 5.3.1 内网防御中算法复杂度比较 | 第58-59页 |
| 5.3.2 内网防御中实验结果和分析 | 第59-63页 |
| 5.4 本章小结 | 第63-64页 |
| 第六章 总结与展望 | 第64-66页 |
| 6.1 本文工作总结 | 第64页 |
| 6.2 未来工作展望 | 第64-66页 |
| 参考文献 | 第66-70页 |
| 攻读学位期间的科研成果 | 第70-71页 |
| 致谢 | 第71-72页 |
