基于机器学习方法的网络入侵检测技术研究
| 摘要 | 第3-4页 |
| abstract | 第4页 |
| 1 绪论 | 第7-12页 |
| 1.1 课题研究背景和意义 | 第7-8页 |
| 1.2 国内外研究现状 | 第8-10页 |
| 1.2.1 入侵检测的历史发展 | 第8页 |
| 1.2.2 入侵检测的研究现状 | 第8-10页 |
| 1.3 主要研究内容 | 第10页 |
| 1.4 论文的组织安排 | 第10-12页 |
| 2 相关背景知识 | 第12-20页 |
| 2.1 机器学习形式 | 第12-13页 |
| 2.2 流量捕捉技术 | 第13页 |
| 2.3 攻击检测相关技术 | 第13-18页 |
| 2.3.1 告警融合概述 | 第14页 |
| 2.3.2 告警融合数据格式 | 第14-15页 |
| 2.3.3 关联分析方法简介 | 第15-18页 |
| 2.4 入侵检测平台的系统架构 | 第18-19页 |
| 2.5 本章小结 | 第19-20页 |
| 3 基于单步攻击的入侵检测 | 第20-33页 |
| 3.1 网络流量数据采集 | 第20-21页 |
| 3.2 攻击序列生成 | 第21-24页 |
| 3.3 基于机器学习的单步攻击检测 | 第24-28页 |
| 3.3.1 决策树算法及实验 | 第24-26页 |
| 3.3.2 贝叶斯算法及实验 | 第26-27页 |
| 3.3.3 集成学习算法研究 | 第27-28页 |
| 3.4 基于集成算法的单步攻击检测 | 第28-32页 |
| 3.4.1 实验数据描述 | 第29-30页 |
| 3.4.2 数据预处理 | 第30页 |
| 3.4.3 实验过程及结果分析 | 第30-32页 |
| 3.5 本章小结 | 第32-33页 |
| 4 基于复合攻击的入侵检测 | 第33-52页 |
| 4.1 告警信息融合 | 第33-36页 |
| 4.1.1 告警融合的架构方法 | 第33-34页 |
| 4.1.2 告警信息融合规则 | 第34-36页 |
| 4.2 基于告警规则关联 | 第36-42页 |
| 4.2.1 关联规则挖掘与告警相关性分析 | 第36-37页 |
| 4.2.2 Apriori关联规则挖掘算法 | 第37-38页 |
| 4.2.3 改进Apriori算法的具体描述 | 第38-40页 |
| 4.2.4 改进算法实验 | 第40-42页 |
| 4.3 基于属性相似度关联 | 第42-43页 |
| 4.3.1 基于属性相似度的概率关联 | 第42-43页 |
| 4.4 系统结构设计 | 第43-47页 |
| 4.4.1 系统总体设计 | 第43-44页 |
| 4.4.2 告警规则关联 | 第44-45页 |
| 4.4.3 告警相似度关联 | 第45-47页 |
| 4.5 告警关联实验及分析 | 第47-51页 |
| 4.5.1 实验数据及环境 | 第47-48页 |
| 4.5.2 测试结果与分析 | 第48-51页 |
| 4.6 本章小结 | 第51-52页 |
| 5 总结与展望 | 第52-53页 |
| 致谢 | 第53-54页 |
| 参考文献 | 第54-56页 |
