基于优化后的随机森林算法的入侵检测技术研究
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第12-20页 |
| 1.1 研究背景和意义 | 第12-13页 |
| 1.2 国内外研究现状 | 第13-18页 |
| 1.2.1 国内研究现状 | 第14-16页 |
| 1.2.2 国外研究现状 | 第16-18页 |
| 1.3 本文的主要工作及章节安排 | 第18-20页 |
| 第2章 网络入侵检测的相关技术基础 | 第20-27页 |
| 2.1 常用网络入侵检测技术 | 第20-22页 |
| 2.2 常见网络入侵检测技术模型 | 第22-26页 |
| 2.2.1 线性分类模型 | 第22-23页 |
| 2.2.2 神经网络模型 | 第23-24页 |
| 2.2.3 支持向量机模型 | 第24-26页 |
| 2.3 本章小结 | 第26-27页 |
| 第3章 基于果蝇优化随机森林分类的入侵检测方法 | 第27-45页 |
| 3.1 引言 | 第27页 |
| 3.2 数据处理和特征选择 | 第27-31页 |
| 3.2.1 数据采集 | 第27-29页 |
| 3.2.2 特征选择 | 第29-31页 |
| 3.3 果蝇优化随机森林分类的入侵检测算法 | 第31-38页 |
| 3.3.1 随机森林算法的理论基础 | 第31-32页 |
| 3.3.2 随机森林算法的主要思想 | 第32-33页 |
| 3.3.3 随机森林模型优化算法设计 | 第33-38页 |
| 3.4 实验结果和分析 | 第38-44页 |
| 3.4.1 网络入侵检测实验评价指标 | 第38-39页 |
| 3.4.2 实验数据和特征提取 | 第39-40页 |
| 3.4.3 实验结果对比和分析 | 第40-44页 |
| 3.5 本章小结 | 第44-45页 |
| 第4章 基于聚类优化随机森林分类的入侵检测方法 | 第45-57页 |
| 4.1 聚类优化随机森林算法的理论基础 | 第45-48页 |
| 4.1.1 K-Means聚类算法的基本原理 | 第45-47页 |
| 4.1.2 Bagging算法的基本原理 | 第47-48页 |
| 4.2 聚类优化随机森林算法的主要思想 | 第48页 |
| 4.3 聚类优化随机森林分类的入侵检测算法 | 第48-53页 |
| 4.4 实验结果对比和分析 | 第53-56页 |
| 4.5 本章小结 | 第56-57页 |
| 结论 | 第57-59页 |
| 参考文献 | 第59-64页 |
| 附录A 攻读硕士期间参与的项目列表 | 第64-65页 |
| 致谢 | 第65页 |
