SVM集成与增量算法在入侵检测中的应用研究
| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 第1章 绪论 | 第9-19页 |
| 1.1 课题来源 | 第9页 |
| 1.2 研究背景 | 第9-11页 |
| 1.3 国内外研究现状 | 第11-17页 |
| 1.3.1 入侵检测概述 | 第11-12页 |
| 1.3.2 入侵检测技术研究现状 | 第12-13页 |
| 1.3.3 SVM在入侵检测中的研究现状 | 第13-17页 |
| 1.4 主要研究工作与组织结构 | 第17-19页 |
| 1.4.1 主要研究工作 | 第17-18页 |
| 1.4.2 论文的组织结构 | 第18-19页 |
| 第2章 问题分析与算法流程设计 | 第19-25页 |
| 2.1 需求分析 | 第19-20页 |
| 2.2 算法对比 | 第20-21页 |
| 2.3 算法流程设计 | 第21-24页 |
| 2.3.1 关键问题分析 | 第21-22页 |
| 2.3.2 解决策略 | 第22-23页 |
| 2.3.3 算法整体流程设计 | 第23-24页 |
| 2.4 本章小结 | 第24-25页 |
| 第3章 SVM并行集成算法的研究 | 第25-46页 |
| 3.1 SVM原理简介 | 第25-29页 |
| 3.2 BPSVM算法在入侵检测中的意义 | 第29-30页 |
| 3.3 BPSVM算法设计 | 第30-36页 |
| 3.3.1 SVM的集成学习 | 第31-33页 |
| 3.3.2 入侵检测中的主成分分析 | 第33-34页 |
| 3.3.3 BPSVM算法描述 | 第34-36页 |
| 3.4 算法评估 | 第36-37页 |
| 3.5 实验分析 | 第37-45页 |
| 3.5.1 测试环境 | 第37页 |
| 3.5.2 评价指标 | 第37-38页 |
| 3.5.3 数据预处理 | 第38-40页 |
| 3.5.4 实验内容及结果分析 | 第40-45页 |
| 3.6 本章小结 | 第45-46页 |
| 第4章 改进的SVM增量学习算法的研究 | 第46-62页 |
| 4.1 SVM增量学习 | 第46-48页 |
| 4.1.1 SVM增量学习在入侵检测中的意义 | 第46-48页 |
| 4.1.2 SVM增量学习的难点 | 第48页 |
| 4.2 改进的增量学习算法研究 | 第48-57页 |
| 4.2.1 SV与样本分布关系 | 第48-49页 |
| 4.2.2 KKT条件与样本分布关系 | 第49-51页 |
| 4.2.3 RS算法设计 | 第51-54页 |
| 4.2.4 KKT-RS-SVM 算法设计 | 第54-57页 |
| 4.3 算法评估 | 第57页 |
| 4.4 实验分析 | 第57-61页 |
| 4.4.1 测试环境 | 第57页 |
| 4.4.2 实验内容及结果分析 | 第57-61页 |
| 4.5 本章小结 | 第61-62页 |
| 第5章 总结与展望 | 第62-64页 |
| 5.1 工作总结 | 第62-63页 |
| 5.2 研究展望 | 第63-64页 |
| 致谢 | 第64-65页 |
| 参考文献 | 第65-69页 |
| 攻读硕士学位期间获得的学术成果 | 第69页 |
