| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第9-15页 |
| 1.1 研究背景 | 第9-10页 |
| 1.2 研究现状 | 第10-12页 |
| 1.2.1 基于网络流量的异常检测研究现状 | 第10-11页 |
| 1.2.2 针对DDoS攻击的IP回溯技术研究现状 | 第11-12页 |
| 1.3 论文主要工作 | 第12-13页 |
| 1.4 论文的组织结构 | 第13-15页 |
| 第二章 相关技术介绍 | 第15-25页 |
| 2.1 入侵检测技术 | 第15-18页 |
| 2.2 IP回溯技术 | 第18-23页 |
| 2.2.1 IP回溯技术分类 | 第18-21页 |
| 2.2.2 基于蚁群算法的IP回溯方法 | 第21-23页 |
| 2.3 本章小结 | 第23-25页 |
| 第三章 基于流量的二元自相似模型的异常检测 | 第25-33页 |
| 3.1 基于流量的二元自相似模型 | 第25-28页 |
| 3.1.1 二元OFBM模型和小波分析 | 第26-28页 |
| 3.1.2 二元OFBM模型的完全验证 | 第28页 |
| 3.2 基于二元OFBM流量模型的异常检测 | 第28-31页 |
| 3.2.1 评价指标 | 第29页 |
| 3.2.2 实验数据 | 第29页 |
| 3.2.3 二元自相似模型的验证 | 第29-31页 |
| 3.2.4 对比试验 | 第31页 |
| 3.3 本章小结 | 第31-33页 |
| 第四章 基于流量模型与深度学习的混合检测模型 | 第33-43页 |
| 4.1 深度学习理论的提出与发展 | 第33-34页 |
| 4.2 基于AUTOENCODER的入侵检测模型 | 第34-39页 |
| 4.2.1 D-L入侵检测模型详细介绍 | 第35-39页 |
| 4.3 基于流量与深度学习的混合检测模型 | 第39-41页 |
| 4.4 本章小结 | 第41-43页 |
| 第五章 基于蚁群算法的IP回溯方案的设计与实现 | 第43-53页 |
| 5.1 方案设计 | 第43-48页 |
| 5.1.1 网络拓扑划分 | 第43-44页 |
| 5.1.2 社区内部优化 | 第44-46页 |
| 5.1.3 全局优化 | 第46-48页 |
| 5.2 方案验证与分析 | 第48-51页 |
| 5.2.1 创建网络拓扑 | 第48页 |
| 5.2.2 攻击路径重构 | 第48-49页 |
| 5.2.3 IP回溯方案性能比较 | 第49-51页 |
| 5.3 本章小结 | 第51-53页 |
| 第六章 总结与展望 | 第53-55页 |
| 6.1 总结 | 第53页 |
| 6.2 展望 | 第53-55页 |
| 参考文献 | 第55-59页 |
| 致谢 | 第59-61页 |
| 攻读学位期间发表的学术论文 | 第61页 |