一种改进的WLAN智能入侵检测算法研究
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 插图索引 | 第10-11页 |
| 附表索引 | 第11-12页 |
| 第1章 绪论 | 第12-19页 |
| 1.1 研究背景及意义 | 第12-13页 |
| 1.2 国内外研究现状 | 第13-16页 |
| 1.3 存在问题及解决方法 | 第16-17页 |
| 1.3.1 终端资源开销难题 | 第16页 |
| 1.3.2 WLAN 网络入侵的复杂性 | 第16页 |
| 1.3.3 基于集成学习的入侵检测方法 | 第16-17页 |
| 1.4 主要研究内容及论文构成 | 第17-19页 |
| 第2章 WLAN 与入侵检测系统 | 第19-27页 |
| 2.1 WLAN 的组网结构 | 第19-21页 |
| 2.2 WLAN 的安全特点性分析 | 第21-22页 |
| 2.3 入侵检测系统功能分析 | 第22-23页 |
| 2.4 WLAN 入侵检测系统总体设计 | 第23-26页 |
| 2.4.1 入侵检测系统结构 | 第23-25页 |
| 2.4.2 入侵检测算法原理 | 第25-26页 |
| 2.5 小结 | 第26-27页 |
| 第3章 基于灰色动态模型的特征报文选择 | 第27-38页 |
| 3.1 特征报文选择算法 | 第27-28页 |
| 3.2 基于灰色动态模型的特征报文选择方法 | 第28-31页 |
| 3.2.1 网络报文的编码表示 | 第28-29页 |
| 3.2.2 灰色动态模型的实现 | 第29-31页 |
| 3.3 基于遗传算法的模型优化 | 第31-37页 |
| 3.3.1 GA 优化原理 | 第32-33页 |
| 3.3.2 GA 算法实现 | 第33-37页 |
| 3.4 小结 | 第37-38页 |
| 第4章 基于集成学习的 WLAN 入侵检测 | 第38-46页 |
| 4.1 基于集成学习的入侵分类算法 | 第38-39页 |
| 4.2 神经网络算子的设计 | 第39-42页 |
| 4.2.1 隐层的设计 | 第39-40页 |
| 4.2.2 输入和输出的选取 | 第40-41页 |
| 4.2.3 隐层神经元数目的选择 | 第41页 |
| 4.2.4 BP 神经网络学习方式的设计 | 第41-42页 |
| 4.3 SVM 算子设计 | 第42-44页 |
| 4.4 基于信息熵的模型集成 | 第44-45页 |
| 4.5 小结 | 第45-46页 |
| 第5章 系统实现与仿真测试 | 第46-54页 |
| 5.1 测试平台 | 第46-48页 |
| 5.1.1 硬件平台 | 第46-47页 |
| 5.1.2 软件结构 | 第47-48页 |
| 5.2 软件实现 | 第48-51页 |
| 5.2.1 网络包捕获技术 | 第48-49页 |
| 5.2.2 特征报文选择子系统的实现 | 第49-50页 |
| 5.2.3 入侵检测子系统的实现 | 第50-51页 |
| 5.3 仿真测试 | 第51-53页 |
| 5.3.1 入侵检测测试数据 | 第51-52页 |
| 5.3.2 入侵检测性能指标 | 第52页 |
| 5.3.3 测试结果 | 第52-53页 |
| 5.4 小结 | 第53-54页 |
| 结论 | 第54-56页 |
| 参考文献 | 第56-60页 |
| 致谢 | 第60页 |
