| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第11-17页 |
| 1.1 研究背景和意义 | 第11-13页 |
| 1.1.1 研究背景 | 第11-12页 |
| 1.1.2 研究意义 | 第12-13页 |
| 1.2 国内外研究现状及存在问题 | 第13-15页 |
| 1.2.1 国内外研究现状 | 第13-15页 |
| 1.2.2 存在问题 | 第15页 |
| 1.3 研究内容 | 第15-16页 |
| 1.4 论文组织 | 第16-17页 |
| 第二章 分布式与机器学习相关技术 | 第17-26页 |
| 2.1 分布式 | 第17-20页 |
| 2.1.1 HDFS | 第17-19页 |
| 2.1.2 Spark | 第19-20页 |
| 2.2 机器学习技术 | 第20-25页 |
| 2.2.1 k近邻算法( k-Nearest Neighbors,kNN) | 第20-22页 |
| 2.2.2 支持向量机(Support Vector Machine,SVM) | 第22-23页 |
| 2.2.3 密度峰值聚类算法(DPC) | 第23-25页 |
| 2.3 本章小结 | 第25-26页 |
| 第三章 数据预处理与特征选择 | 第26-33页 |
| 3.1 入侵检测标准数据集介绍 | 第26-28页 |
| 3.2 数据预处理 | 第28-29页 |
| 3.2.1 数据映射 | 第28页 |
| 3.2.2 数据归一化 | 第28页 |
| 3.2.3 数据清洗 | 第28-29页 |
| 3.2.4 数据抽样 | 第29页 |
| 3.3 特征选择 | 第29-32页 |
| 3.3.1 Fisher Score算法 | 第29-30页 |
| 3.3.2 结合Fisher Score的支持向量机 | 第30-31页 |
| 3.3.3 实验及结果分析 | 第31-32页 |
| 3.4 本章小结 | 第32-33页 |
| 第四章 密度峰值最近邻算法研究与实现 | 第33-38页 |
| 4.1 密度峰值最近邻算法研究 | 第33-35页 |
| 4.1.1 密度峰值研究 | 第33-34页 |
| 4.1.2 改进的kNN算法研究 | 第34-35页 |
| 4.2 密度峰值最近邻算法实现 | 第35-36页 |
| 4.3 密度峰值最近邻算法复杂度分析 | 第36-37页 |
| 4.3.1 时间复杂度 | 第36页 |
| 4.3.2 空间复杂度 | 第36-37页 |
| 4.4 本章小结 | 第37-38页 |
| 第五章 密度峰值最近邻算法实验结果分析 | 第38-46页 |
| 5.1 实验环境 | 第38页 |
| 5.2 评判标准 | 第38-39页 |
| 5.3 实验结果和分析 | 第39-45页 |
| 5.3.1 支持向量机实验结果及分析 | 第39-41页 |
| 5.3.2 kNN实验结果及分析 | 第41-43页 |
| 5.3.3 密度峰值最近邻算法实验结果及分析 | 第43-44页 |
| 5.3.4 综合分析与总结 | 第44-45页 |
| 5.4 本章小节 | 第45-46页 |
| 第六章 分布式入侵检测系统设计与实现 | 第46-51页 |
| 6.1 HDFS存储节点 | 第46-47页 |
| 6.1.1 写文件 | 第46-47页 |
| 6.1.2 读文件 | 第47页 |
| 6.2 Spark检测节点 | 第47-49页 |
| 6.3 分布式入侵检测系统性能 | 第49-50页 |
| 6.4 本章小结 | 第50-51页 |
| 第七章 总结及展望 | 第51-53页 |
| 7.1 主要工作总结 | 第51页 |
| 7.2 下一步研究方向 | 第51-53页 |
| 参考文献 | 第53-57页 |
| 致谢 | 第57-58页 |
| 攻读学位期间发表的学术论文 | 第58页 |
