基于支持向量机的网络攻击检测研究
| 摘要 | 第1-4页 |
| Abstract | 第4-7页 |
| 1 绪论 | 第7-14页 |
| ·选题背景及意义 | 第7页 |
| ·网络攻击检测的研究 | 第7-10页 |
| ·攻击行为分类 | 第7-8页 |
| ·攻击检测技术简介 | 第8-9页 |
| ·网络攻击检测方法 | 第9-10页 |
| ·SVM 的特点及研究现状 | 第10-12页 |
| ·SVM 的特点 | 第10-11页 |
| ·SVM 的研究现状 | 第11-12页 |
| ·论文的主要工作和组织结构 | 第12-14页 |
| ·论文的主要工作 | 第12-13页 |
| ·论文的组织结构 | 第13-14页 |
| 2 统计学习理论与支持向量机 | 第14-27页 |
| ·统计学习理论 | 第14-18页 |
| ·学习问题的一般表示及经验风险最小化归纳原则 | 第14-15页 |
| ·学习过程一致性 | 第15-16页 |
| ·学习机推广能力的界 | 第16-17页 |
| ·控制学习过程的推广能力 | 第17-18页 |
| ·构造学习算法 | 第18页 |
| ·支持向量机 | 第18-22页 |
| ·最优分类面 | 第18-21页 |
| ·广义最优分类面 | 第21-22页 |
| ·支持向量机多分类算法 | 第22-24页 |
| ·实现支持向量机的算法 | 第24-25页 |
| ·本章小结 | 第25-27页 |
| 3 核函数及其参数的分析与研究 | 第27-35页 |
| ·核函数及基本性质 | 第27-31页 |
| ·正定核 | 第27-30页 |
| ·核函数的构造 | 第30页 |
| ·再生核作为距离测度和函数表示 | 第30-31页 |
| ·核参数选择方法 | 第31-34页 |
| ·泛化性能指标 | 第31-33页 |
| ·最优参数的选取 | 第33-34页 |
| ·本章小结 | 第34-35页 |
| 4 支持向量机方法实现网络攻击检测的策略 | 第35-49页 |
| ·引言 | 第35页 |
| ·攻击检测模型及工作流程 | 第35-37页 |
| ·加权 HVDM 上的 RBF 形核函数 | 第37-44页 |
| ·异构数据集 | 第37-38页 |
| ·加权 HVDM 距离 | 第38-42页 |
| ·基于加权 HVDM 距离的 RBF 形核函数 | 第42-44页 |
| ·核参数的优化 | 第44-48页 |
| ·核参数 | 第44-46页 |
| ·网格搜索法 | 第46-47页 |
| ·特征筛选策略 | 第47-48页 |
| ·算法步骤 | 第48页 |
| ·本章小节 | 第48-49页 |
| 5 实验及数据分析 | 第49-56页 |
| ·实验环境 | 第49页 |
| ·实验数据选取 | 第49-51页 |
| ·实验数据的预处理 | 第51页 |
| ·实验步骤及结果 | 第51-55页 |
| ·对 HVDM 距离进行加权的有效性证明 | 第52页 |
| ·核参数优化的实验结果 | 第52-55页 |
| ·对未知攻击进行测试的尝试 | 第55页 |
| ·实验小结 | 第55-56页 |
| 6 总结与展望 | 第56-58页 |
| ·本论文工作总结 | 第56页 |
| ·下一步工作的展望 | 第56-58页 |
| 致谢 | 第58-59页 |
| 参考文献 | 第59-63页 |
