| 摘要 | 第6-7页 |
| Abstract | 第7-8页 |
| 第1章 绪论 | 第14-23页 |
| 1.1 研究背景及意义 | 第14-16页 |
| 1.1.1 研究背景 | 第14页 |
| 1.1.2 研究目的及意义 | 第14-16页 |
| 1.2 国内外研究现状 | 第16-19页 |
| 1.2.1 入侵检测技术研究现状 | 第16-17页 |
| 1.2.2 人工神经网络研究现状 | 第17-18页 |
| 1.2.3 遗传算法研究现状 | 第18-19页 |
| 1.3 研究思路、主要内容和创新点 | 第19-22页 |
| 1.3.1 研究思路 | 第19-21页 |
| 1.3.2 研究内容及框架 | 第21页 |
| 1.3.3 研究方法 | 第21-22页 |
| 1.3.4 论文创新点 | 第22页 |
| 1.4 本章小结 | 第22-23页 |
| 第2章 网络安全相关理论基础 | 第23-46页 |
| 2.1 入侵检测理论基础 | 第23-31页 |
| 2.1.1 入侵检测相关概念 | 第23-26页 |
| 2.1.2 入侵检测系统概述 | 第26-28页 |
| 2.1.3 入侵检测技术概述 | 第28-30页 |
| 2.1.4 入侵检测技术发展趋势与未来 | 第30-31页 |
| 2.2 粗糙集理论基础 | 第31-34页 |
| 2.2.1 粗糙集理论基本概念 | 第31-33页 |
| 2.2.2 粗糙集理论用于入侵检测的优势 | 第33-34页 |
| 2.3 遗传算法概述 | 第34-40页 |
| 2.3.1 遗传算法常用术语 | 第34页 |
| 2.3.2 遗传算法构成要素 | 第34-36页 |
| 2.3.3 遗传算法的设计 | 第36-37页 |
| 2.3.4 遗传算法的实例 | 第37-40页 |
| 2.4 神经网络算法概述 | 第40-45页 |
| 2.4.1 神经网络的基础概念 | 第40-41页 |
| 2.4.2 神经网络的基本结构 | 第41-43页 |
| 2.4.3 BP人工神经网络 | 第43-45页 |
| 2.5 本章小结 | 第45-46页 |
| 第3章 基于粗糙集理论的遗传神经网络数据挖掘算法 | 第46-63页 |
| 3.1 遗传神经网络算法的概念 | 第46-48页 |
| 3.2 遗传神经网络算法数据预处理原理 | 第48-51页 |
| 3.2.1 原始数据预处理 | 第48页 |
| 3.2.2 连续属性离散化 | 第48-51页 |
| 3.3 基于粗糙集的遗传属性约简算法改进思想 | 第51-57页 |
| 3.3.1 属性的编码方式与初始种群的构建 | 第51页 |
| 3.3.2 适应度函数的设计与算法结束条件 | 第51-52页 |
| 3.3.3 选择、交叉、变异与种群修复操作 | 第52-53页 |
| 3.3.4 遗传属性约简算法改进后流程 | 第53-57页 |
| 3.4 数据的归一化 | 第57-58页 |
| 3.5 遗传神经网络算法改进思想 | 第58-62页 |
| 3.5.1 传统遗传神经网络算法基本思想 | 第58页 |
| 3.5.2 传统遗传神经网络算法步骤与不足 | 第58-60页 |
| 3.5.3 改进后遗传神经网络算法 | 第60-62页 |
| 3.6 本章小结 | 第62-63页 |
| 第4章 基于粗糙集的遗传属性约简算法与神经网络相结合的入侵检测系统仿真 | 第63-77页 |
| 4.1 实验环境和实验目的分析 | 第63-64页 |
| 4.2 实验数据源分析 | 第64-66页 |
| 4.3 仿真实验数据的预处理 | 第66-68页 |
| 4.4 仿真实验数据连续属性离散化 | 第68-70页 |
| 4.5 遗传属性约简算法实验 | 第70-72页 |
| 4.6 遗传神经网络算法实验 | 第72-77页 |
| 4.6.1 实验过程 | 第72-75页 |
| 4.6.2 实验结果对比 | 第75-77页 |
| 总结展望 | 第77-79页 |
| 论文总结 | 第77页 |
| 未来工作的展望 | 第77-79页 |
| 参考文献 | 第79-82页 |
| 附录 附录 1KDDCUP99数据集各属性含义 | 第82-86页 |
| 攻读学位期间发表的学术论文 | 第86-87页 |
| 致谢 | 第87页 |