基于孪生支持向量机的入侵检测及应用研究
摘要 | 第3-5页 |
ABSTRACT | 第5-6页 |
符号说明 | 第9-10页 |
第一章 绪论 | 第10-16页 |
1.1 课题研究背景与意义 | 第10-11页 |
1.2 国内外的研究现状 | 第11-13页 |
1.3 课题主要研究内容 | 第13-14页 |
1.4 论文的组织结构 | 第14-16页 |
第二章 入侵检测技术与支持向量机 | 第16-26页 |
2.1 入侵检测技术 | 第16-21页 |
2.1.1 标准入侵检测模型 | 第16-17页 |
2.1.2 入侵检测系统的分类 | 第17-19页 |
2.1.3 异常检测技术的分类 | 第19-21页 |
2.2 经典支持向量机 | 第21-24页 |
2.3 支持向量机在入侵检测应用的优势 | 第24-25页 |
2.4 本章小结 | 第25-26页 |
第三章 孪生支持向量机算法 | 第26-36页 |
3.1 孪生支持向量机的特点 | 第26页 |
3.2 二分类孪生支持向量机方法 | 第26-28页 |
3.3 多分类孪生支持向量机方法 | 第28-29页 |
3.4 孪生支持向量机算法实现 | 第29-33页 |
3.4.1 实参数设置与数据标准化 | 第29-30页 |
3.4.2 孪生支持向量机参数优化 | 第30-31页 |
3.4.3 SVM 算法伪代码设计 | 第31-32页 |
3.4.4 TWSVM 算法伪代码设计 | 第32-33页 |
3.5 代码设计流程与实现验证 | 第33-34页 |
3.6 本章小结 | 第34-36页 |
第四章 孪生支持向量机网络入侵检测 | 第36-52页 |
4.1 孪生支持向量机应用入侵检测模型 | 第36-37页 |
4.2 实验数据源 | 第37-41页 |
4.3 数据标准化 | 第41-42页 |
4.4 模型验证 | 第42-50页 |
4.4.1 实验环境 | 第42-43页 |
4.4.2 实验过程 | 第43-46页 |
4.4.3 实验结果比较与分析 | 第46-50页 |
4.5 本章小结 | 第50-52页 |
第五章 云环境移动智能终端入侵检测 | 第52-62页 |
5.1 云计算技术 | 第52页 |
5.2 移动终端安全技术 | 第52-55页 |
5.2.1 安全威胁 | 第52-54页 |
5.2.2 移动智能终端安全技术 | 第54页 |
5.2.3 云计算在移动终端应用的必然性 | 第54-55页 |
5.3 云环境智能终端入侵检测解决方案 | 第55-57页 |
5.4 应用实验验证 | 第57-60页 |
5.4.1 数据源 | 第57-58页 |
5.4.2 实验过程及结果分析 | 第58-60页 |
5.5 本章小结 | 第60-62页 |
第六章 总结与展望 | 第62-64页 |
6.1 课题总结 | 第62页 |
6.2 课题展望 | 第62-64页 |
参考文献 | 第64-68页 |
致谢 | 第68-70页 |
攻读硕士学位期间发表的学术论文 | 第70页 |