基于支持向量机的入侵检测系统的研究与仿真
| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第10-14页 |
| 1.1 研究的背景和意义 | 第10页 |
| 1.2 国内外研究现状分析 | 第10-13页 |
| 1.2.1 入侵检测技术的概念和分类 | 第10-11页 |
| 1.2.2 入侵检测的发展历程 | 第11页 |
| 1.2.3 基于支持向量机的入侵检测的研究现状 | 第11-13页 |
| 1.3 本文的研究内容与结构 | 第13-14页 |
| 第二章 入侵检测技术概述 | 第14-31页 |
| 2.1 入侵检测系统分类 | 第14-17页 |
| 2.1.1 按检测数据来源 | 第14-15页 |
| 2.1.2 按检测原理分类 | 第15-17页 |
| 2.2 当前主流入侵检测系统简介 | 第17-19页 |
| 2.3 机器学习方法简介 | 第19-30页 |
| 2.3.1 常用机器学习方法 | 第20-23页 |
| 2.3.2 支持向量机方法 | 第23-30页 |
| 2.4 本章小结 | 第30-31页 |
| 第三章 基于支持向量机的入侵检测系统 | 第31-41页 |
| 3.1 基于TWSVMs的入侵检测系统框架 | 第31-32页 |
| 3.2 采集器 | 第32-33页 |
| 3.3 数据预处理器 | 第33-35页 |
| 3.3.1 降采样 | 第34页 |
| 3.3.2 离散数据处理 | 第34页 |
| 3.3.3 归一化 | 第34-35页 |
| 3.4 TWSVMs分类器构造器 | 第35-39页 |
| 3.4.1 特征选择 | 第35-38页 |
| 3.4.2 TWSVMs的参数选择算法 | 第38-39页 |
| 3.5 基于单类支持向量机的入侵检测系统框架 | 第39-40页 |
| 3.6 本章小结 | 第40-41页 |
| 第四章 基于支持向量机的入侵检测系统的仿真实现 | 第41-51页 |
| 4.1 数据预处理器 | 第41-44页 |
| 4.1.1 降采样模块 | 第41-42页 |
| 4.1.2 离散数据处理模块 | 第42-43页 |
| 4.1.3 归一化模块 | 第43-44页 |
| 4.2 TWSVMs分类器构造器 | 第44-46页 |
| 4.2.1 特征选择 | 第44页 |
| 4.2.2 TWSVMs参数选择算法 | 第44-46页 |
| 4.3 TWSVMs分类器 | 第46-48页 |
| 4.3.1 训练阶段 | 第46-47页 |
| 4.3.2 预测阶段 | 第47-48页 |
| 4.3.3 核函数 | 第48页 |
| 4.4 单类支持向量机分类器构造器 | 第48-49页 |
| 4.5 本章小结 | 第49-51页 |
| 第五章 实验与分析 | 第51-63页 |
| 5.1 实验数据和平台 | 第51-53页 |
| 5.1.1 实验数据 | 第51-52页 |
| 5.1.2 实验平台 | 第52-53页 |
| 5.2 数据预处理 | 第53-54页 |
| 5.2.1 降采样 | 第53页 |
| 5.2.2 离散数据处理 | 第53-54页 |
| 5.2.3 归一化 | 第54页 |
| 5.3 实验结果 | 第54-62页 |
| 5.3.1 降采样 | 第55-56页 |
| 5.3.2 特征选择 | 第56页 |
| 5.3.3 对比结果 | 第56-58页 |
| 5.3.4 训练时间 | 第58-59页 |
| 5.3.5 ROC 曲线 | 第59-61页 |
| 5.3.6 单类支持向量机 | 第61-62页 |
| 5.4 本章小结 | 第62-63页 |
| 第六章 总结与展望 | 第63-65页 |
| 6.1 本文总结 | 第63页 |
| 6.2 展望 | 第63-65页 |
| 参考文献 | 第65-69页 |
| 致谢 | 第69-70页 |
| 攻读学位期间发表的学术论文 | 第70页 |
