| 中文摘要 | 第3-5页 |
| 英文摘要 | 第5-7页 |
| 1 绪论 | 第11-25页 |
| 1.1 时间序列中的异常 | 第11-12页 |
| 1.2 流量工程中流量时间序列的异常检测的研究现状 | 第12-17页 |
| 1.2.1 基于模型的异常检测 | 第12-16页 |
| 1.2.2 基于预测的异常检测 | 第16-17页 |
| 1.3 推荐系统中项目的评分时间序列异常检测的研究现状 | 第17-20页 |
| 1.4 本文研究的主要内容和结构 | 第20-25页 |
| 1.4.1 本文的主要研究内容 | 第20-22页 |
| 1.4.2 本文的主要结构 | 第22-25页 |
| 2 基于机器学习的时间序列异常检测算法 | 第25-39页 |
| 2.1 基于静态结构的时间序列异常检测算法 | 第25-34页 |
| 2.1.1 基于统计的时间序列异常检测 | 第25-28页 |
| 2.1.2 基于距离的时间序列的异常检测 | 第28-29页 |
| 2.1.3 基于聚类的时间序列的异常检测 | 第29-31页 |
| 2.1.4 基于分类的时间序列的异常检测 | 第31-34页 |
| 2.2 基于动态结构的时间序列异常检测 | 第34-39页 |
| 2.2.1 增量学习 | 第35-36页 |
| 2.2.2 集成学习 | 第36-39页 |
| 3 基于正常行为模式的时间序列异常检测 | 第39-69页 |
| 3.1 引言 | 第39页 |
| 3.2 在时间序列中使用SVD模型 | 第39-41页 |
| 3.3 基于用户正常行为模式的异常检测 | 第41-54页 |
| 3.3.1 问题的定义和解决方案的分析 | 第41-42页 |
| 3.3.2 流量时间序列的异常检测架构（BasisEvolution） | 第42-44页 |
| 3.3.3 数据清理（对无标记数据的联合异常检测） | 第44-45页 |
| 3.3.4 基函数生成 | 第45-48页 |
| 3.3.5 基函数更新 | 第48-52页 |
| 3.3.6 异常检测和对异常点的聚类 | 第52-54页 |
| 3.4 基于合成数据的实验及分析 | 第54-65页 |
| 3.4.1 流量数据的合成 | 第55-57页 |
| 3.4.2 异常检测的评价准则 | 第57-58页 |
| 3.4.3 实验结果和分析 | 第58-65页 |
| 3.5 基于实际数据的实验及分析 | 第65-68页 |
| 3.6 本章小结 | 第68-69页 |
| 4 基于趋势预测模型的时间序列异常检测 | 第69-95页 |
| 4.1 引言 | 第69页 |
| 4.2 相关理论研究 | 第69-73页 |
| 4.2.1 BP神经网络模型 | 第69-72页 |
| 4.2.2 Hodrick Prescott趋势提取模型 | 第72-73页 |
| 4.3 基于趋势预测模型的流量时间序列异常检测 | 第73-83页 |
| 4.3.1 问题的定义和解决方案分析 | 第73-78页 |
| 4.3.2 趋势提取 | 第78-80页 |
| 4.3.3 周期趋势评估 | 第80页 |
| 4.3.4 相关趋势预测 | 第80-81页 |
| 4.3.5 扰动预测 | 第81-82页 |
| 4.3.6 所有预测评估值的整合 | 第82页 |
| 4.3.7 基于预测的流量时间序列异常检测 | 第82-83页 |
| 4.4 小时间尺度下流量时间序列的相似性分析 | 第83-84页 |
| 4.5 基于真实数据集的实验评估和分析 | 第84-94页 |
| 4.5.1 参数估计 | 第85-87页 |
| 4.5.2 预测结果的精确度分析 | 第87-90页 |
| 4.5.3 时间效率分析 | 第90-91页 |
| 4.5.4 合成数据中基于预测的异常流量检测 | 第91-93页 |
| 4.5.5 真实数据中基于预测的异常流量检测 | 第93-94页 |
| 4.6 本章小结 | 第94-95页 |
| 5 基于异常行为模式的时间序列异常检测 | 第95-117页 |
| 5.1 引言 | 第95页 |
| 5.2 时间序列统计分布的不对称性研究 | 第95-97页 |
| 5.3 基于异常行为模式的异常评分时间序列检测 | 第97-106页 |
| 5.3.1 问题的定义和解决方案的分析 | 第97-98页 |
| 5.3.2 异常评分检测的基本定义 | 第98-99页 |
| 5.3.3 基于项目概貌的托攻击异常评分分析 | 第99-100页 |
| 5.3.4 基于项目概貌的托攻击异常评分特征提取 | 第100-101页 |
| 5.3.5 基于时间区间动态分割以及假设检验的异常检测框架（SDF） | 第101-103页 |
| 5.3.6 异常检测算法的稳定性分析以及评价准则 | 第103-105页 |
| 5.3.7 基于项目概貌的托攻击分类 | 第105-106页 |
| 5.4 基于真实数据集的实验评估和分析 | 第106-115页 |
| 5.4.1 SDF中相关参数的确定 | 第107-110页 |
| 5.4.2 SDF的检测结果分析 | 第110-111页 |
| 5.4.3 SDF和X-bar算法有效性的比较 | 第111-113页 |
| 5.4.4 SDF和其他检测算法的鲁棒性比较 | 第113-114页 |
| 5.4.5 SDF和其他检测算法的时间复杂度比较 | 第114页 |
| 5.4.6 稳定性准则的鲁棒性检查 | 第114-115页 |
| 5.5 本章小结 | 第115-117页 |
| 6 全文总结和研究展望 | 第117-119页 |
| 6.1 全文总结 | 第117-118页 |
| 6.2 研究展望 | 第118-119页 |
| 致谢 | 第119-121页 |
| 参考文献 | 第121-131页 |
| 附录 | 第131页 |
| A．攻读博士期间发表的论文 | 第131页 |
| B. 申请的专利 | 第131页 |
| C．攻读博士期间参与的项目 | 第131页 |
