基于聚类的异常入侵检测技术
| 摘要 | 第1-7页 |
| ABSTRACT | 第7-15页 |
| 第一章 绪论 | 第15-21页 |
| ·课题研究背景及意义 | 第15-16页 |
| ·计算机安全与入侵检测 | 第16-17页 |
| ·入侵检测技术现状 | 第17-20页 |
| ·入侵检测技术应用现状 | 第17-18页 |
| ·国内外入侵检测系统发展现状 | 第18-20页 |
| ·开源的入侵检测系统 | 第18-19页 |
| ·商用入侵检测系统 | 第19-20页 |
| ·课题的主要研究内容 | 第20-21页 |
| 第二章 入侵检测技术研究 | 第21-33页 |
| ·入侵检测的相关概念 | 第21页 |
| ·入侵检测系统的组成 | 第21-22页 |
| ·入侵检测原理 | 第22-23页 |
| ·入侵检测系统的分类 | 第23-26页 |
| ·入侵检测分析技术与方法 | 第26-28页 |
| ·入侵检测分析技术 | 第26-27页 |
| ·入侵检测分析方法 | 第27-28页 |
| ·入侵检测系统存在的问题 | 第28-29页 |
| ·入侵检测技术的发展趋势 | 第29-31页 |
| ·小结 | 第31-33页 |
| 第三章 聚类分析研究 | 第33-39页 |
| ·聚类分析定义简述 | 第33页 |
| ·聚类分析的研究内容 | 第33-36页 |
| ·聚类方法的分类 | 第36-38页 |
| ·聚类检测方法的研究 | 第38页 |
| ·小结 | 第38-39页 |
| 第四章 基于聚类的异常入侵检测方法设计 | 第39-55页 |
| ·论文重点研究的问题 | 第39-40页 |
| ·特征选择分析 | 第40-45页 |
| ·数据约减的方法 | 第41页 |
| ·特征选择在入侵检测中的作用 | 第41-42页 |
| ·特征选择模型的分类 | 第42页 |
| ·信息增益 | 第42-45页 |
| ·基于改进的粒子群算法的模糊C均值算法 | 第45-49页 |
| ·模糊C均值聚类算法(FCM) | 第46页 |
| ·粒子群算法(PSO)及其改进 | 第46-49页 |
| ·粒子群算法 | 第46-47页 |
| ·改进的粒子群算法 | 第47-49页 |
| ·基于改进的粒子群的模糊C均值算法流程 | 第49-50页 |
| ·采用三角形面积新特征的支持向量机—TSVM | 第50-53页 |
| ·基于三角形面积的方法 | 第50-51页 |
| ·支持向量机简介 | 第51-52页 |
| ·TSVM | 第52-53页 |
| ·小结 | 第53-55页 |
| 第五章 实验设计与分析 | 第55-61页 |
| ·改进的聚类算法实验设计和分析 | 第55-58页 |
| ·实验描述 | 第55-56页 |
| ·实验结果 | 第56-58页 |
| ·基于三角形面积新特征的支持向量机分类的实验分析 | 第58-61页 |
| 第六章 总结与展望 | 第61-63页 |
| ·总结 | 第61页 |
| ·下一步工作及展望 | 第61-63页 |
| 参考文献 | 第63-65页 |
| 致谢 | 第65-67页 |
| 研究成果及发表的学术论文 | 第67-69页 |
| 作者简介 | 第69-70页 |
| 附件 | 第70-71页 |
