网络入侵检测中的机器学习方法与应用
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-14页 |
| 1.1 研究背景及意义 | 第10-12页 |
| 1.2 国内外研究现状 | 第12-13页 |
| 1.3 论文的组织架构 | 第13-14页 |
| 第二章 相关基础理论 | 第14-26页 |
| 2.1 入侵检测技术简介 | 第14-21页 |
| 2.1.1 概述 | 第14-15页 |
| 2.1.2 发展历史 | 第15-17页 |
| 2.1.3 入侵检测数据集 | 第17-19页 |
| 2.1.4 评价指标 | 第19-21页 |
| 2.2 通用机器学习方法简介 | 第21-26页 |
| 2.2.1 概述 | 第21-22页 |
| 2.2.2 基于监督学习的方法 | 第22-23页 |
| 2.2.3 基于无监督学习的方法 | 第23-24页 |
| 2.2.4 基于强化学习的方法 | 第24页 |
| 2.2.5 聚类与分类的区别 | 第24-26页 |
| 第三章 预处理阶段 | 第26-36页 |
| 3.1 数据无量纲化 | 第26-28页 |
| 3.2 特征选择方法 | 第28-30页 |
| 3.2.1 概述 | 第28-29页 |
| 3.2.2 特征选择方法分类 | 第29-30页 |
| 3.3 Filter特征选择 | 第30-31页 |
| 3.3.1 方差选择法 | 第30页 |
| 3.3.2 相关系数法 | 第30页 |
| 3.3.3 卡方检验 | 第30-31页 |
| 3.3.4 互信息法 | 第31页 |
| 3.4 Wrapper特征选择 | 第31页 |
| 3.4.1 递归特征消除法 | 第31页 |
| 3.5 Embedded特征选择 | 第31-32页 |
| 3.5.1 基于树模型的特征选择法 | 第31-32页 |
| 3.6 实验分析 | 第32-36页 |
| 3.6.1 实验环境介绍 | 第32页 |
| 3.6.2 实验设计 | 第32-33页 |
| 3.6.3 实验结果与分析 | 第33-36页 |
| 第四章 入侵检测阶段 | 第36-44页 |
| 4.1 分类算法衡量指标 | 第36-37页 |
| 4.2 常见算法的适用场景 | 第37-40页 |
| 4.2.1 朴素贝叶斯 | 第37-38页 |
| 4.2.2 近邻算法 | 第38页 |
| 4.2.3 决策树 | 第38-39页 |
| 4.2.4 SVM支持向量机 | 第39页 |
| 4.2.5 人工神经网络 | 第39-40页 |
| 4.3 实验设计 | 第40-41页 |
| 4.4 实验结果与分析 | 第41-44页 |
| 第五章 误报消除阶段 | 第44-50页 |
| 5.1 数据集介绍 | 第44页 |
| 5.2 聚类算法概述 | 第44-45页 |
| 5.2.1 聚类算法衡量标准 | 第44-45页 |
| 5.3 常用聚类方法 | 第45-47页 |
| 5.3.1 K-means聚类 | 第45-46页 |
| 5.3.2 层次化聚类算法 | 第46页 |
| 5.3.3 基于密度的DBSCAN聚类 | 第46-47页 |
| 5.3.4 基于模糊的FCM聚类 | 第47页 |
| 5.4 实验设计 | 第47-48页 |
| 5.5 实验结果与分析 | 第48-50页 |
| 第六章 总结和展望 | 第50-52页 |
| 6.1 总结 | 第50页 |
| 6.2 展望 | 第50-52页 |
| 参考文献 | 第52-56页 |
| 附录1 | 第56-60页 |
| 致谢 | 第60页 |
