基于少量标记数据约束聚类算法的入侵检测技术研究
| 摘要 | 第1-5页 |
| Abstract | 第5-8页 |
| 图表清单 | 第8-9页 |
| 注释表 | 第9-10页 |
| 第一章 绪论 | 第10-17页 |
| ·研究背景和意义 | 第10-14页 |
| ·网络与信息安全简介 | 第10-11页 |
| ·信息安全防范机制 | 第11-12页 |
| ·入侵检测研究的意义 | 第12-13页 |
| ·机器学习技术的引入 | 第13-14页 |
| ·研究现状 | 第14-16页 |
| ·本文的主要工作 | 第16-17页 |
| 第二章 入侵检测技术 | 第17-24页 |
| ·入侵检测的定义 | 第17-18页 |
| ·入侵检测方法 | 第18-22页 |
| ·误用检测 | 第18-20页 |
| ·异常检测 | 第20-21页 |
| ·其他检测方法 | 第21-22页 |
| ·入侵检测系统存在的问题 | 第22-23页 |
| ·本章小结 | 第23-24页 |
| 第三章 基于聚类的入侵检测算法 | 第24-32页 |
| ·聚类分析 | 第24页 |
| ·聚类分析方法分类 | 第24-26页 |
| ·基于划分的聚类算法 | 第26-30页 |
| ·K-means 聚类算法 | 第26-28页 |
| ·K-medoid 聚类算法 | 第28-30页 |
| ·传统聚类算法在入侵检测中存在的问题 | 第30-31页 |
| ·本章小结 | 第31-32页 |
| 第四章 基于半监督聚类的入侵检测算法 | 第32-52页 |
| ·机器学习 | 第32-35页 |
| ·机器学习方法 | 第32-34页 |
| ·机器学习相关原则 | 第34-35页 |
| ·半监督学习 | 第35-37页 |
| ·半监督学习技术介绍 | 第36页 |
| ·半监督学习方法的分类 | 第36-37页 |
| ·算法理论分析 | 第37-44页 |
| ·基于K-means 算法的半监督学习 | 第37页 |
| ·投票标记法 | 第37-40页 |
| ·大簇小簇理论 | 第40-41页 |
| ·相似度度量 | 第41-44页 |
| ·SSCID 算法描述 | 第44-46页 |
| ·SSCID 算法相关伪代码描述 | 第46-51页 |
| ·数据规格化伪代码 | 第46-47页 |
| ·聚类过程伪代码 | 第47-49页 |
| ·投票标记算法伪代码 | 第49-50页 |
| ·大簇小簇理论伪代码 | 第50-51页 |
| ·本章小结 | 第51-52页 |
| 第五章 实验数据选取以及算法评估 | 第52-63页 |
| ·数据集 | 第52-53页 |
| ·数据集描述 | 第52-53页 |
| ·网络数据的属性特征分析 | 第53页 |
| ·训练数据的选取及规格化 | 第53-54页 |
| ·实验仿真 | 第54-62页 |
| ·仿真环境 | 第54页 |
| ·仿真实验的设计和实现 | 第54-58页 |
| ·仿真结果分析 | 第58-62页 |
| ·本章小结 | 第62-63页 |
| 第六章 论文总结和工作展望 | 第63-65页 |
| 参考文献 | 第65-69页 |
| 致谢 | 第69-70页 |
| 在学期间的研究成果及发表的学术论文 | 第70-71页 |
| 附录 | 第71-76页 |
