基于机器学习的入侵检测方法研究

摘要	第1-7页
Abstract	第7-12页
第1章 绪论	第12-27页
·课题背景及意义	第12-13页
·国内外研究现状	第13-22页
·入侵检测基本构成	第14页
·入侵检测技术与体系结构的发展	第14-19页
·研究现状	第19-21页
·入侵检测方法分析	第21-22页
·目前研究的热点与难点	第22-24页
·本文的工作	第24-26页
·论文的组织	第26-27页
第2章 基于机器学习的入侵检测基本原理	第27-51页
·机器学习基础	第27-29页
·基于机器学习的入侵检测框架	第29-31页
·入侵检测中数据源选择与度量要求	第31-38页
·攻击手段分析	第31-33页
·数据源及度量充分性分析	第33-38页
·对学习机的分析与选择	第38-48页
·基于马尔科夫模型的分类器	第38-40页
·样本复杂度分析	第40-43页
·算法偏置与推广能力	第43-44页
·结构风险最小化原则	第44-45页
·对学习机的研究与设计	第45-48页
·检测系统基本符号的定义	第48页
·性能指标及评价方法	第48-50页
·本章小结	第50-51页
第3章 基于线性预测的入侵检测方法	第51-73页
·基于时间序列分析的特征提取	第51-55页
·时间序列与时序分析	第51-52页
·时序分析与数学模型	第52-53页
·时序建模与特征提取	第53-54页
·对特权进程的系统调用序列的特征提取	第54-55页
·基于线性预测的进程行为特征提取与特征库的建立	第55-59页
·线性预测模型	第55-58页
·特征提取与特征库的建立	第58-59页
·进程行为的马尔科夫模型的训练	第59-60页
·检测方法	第60页
·参数选取与模型优化	第60-64页
·信息论测度	第61页
·滑动窗口的选取	第61-63页
·线性预测模型的阶数的选取	第63页
·马尔科夫链状态长度的选取	第63-64页
·马尔科夫链模型的改进	第64-65页
·问题的提出	第64-65页
·进程行为的动态马尔科夫模型的训练	第65页
·实验	第65-72页
·实验数据来源	第65-66页
·实验结果及分析	第66-71页
·与其它方法的比较	第71页
·本方法的缺点	第71-72页
·本章小结	第72-73页
第4章 矢量量化分析的有监督聚类异常检测方法	第73-87页
·问题的提出	第73-76页
·传统监督学习方法的缺点	第73页
·无监督方法	第73-74页
·监督学习方法与无监督方法的结合	第74-76页
·矢量量化分析	第76-78页
·基本思想	第76-77页
·失真测度	第77-78页
·量化器和码本的设计	第78页
·矢量量化的动态分裂	第78-81页
·系统调用的矢量量化分析	第81-82页
·动态分裂矢量量化器的设计	第81-82页
·空胞腔的处理	第82页
·进程行为的马尔科夫模型的训练	第82页
·检测方法	第82-83页
·实验及结果分析	第83-86页
·数据集	第83页
·参数的确定	第83-84页
·实验结果与分析	第84-85页
·与其它方法比较	第85-86页
·本章小结	第86-87页
第5章 半监督在线增量自学习异常检测方法	第87-101页
·半监督学习的提出	第88页
·半监督学习的聚类假设	第88-89页
·半监督学习的算法研究	第89-90页
·半监督学习应用于系统调用序列分析	第90页
·半监督K-means	第90-91页
·半监督 K-means与期望最大化算法	第91-92页
·半监督入侵检测算法设计	第92-94页
·模型初始化过程	第93-94页
·检测过程	第94页
·半监督增量学习过程	第94页
·实验及结果分析	第94-99页
·数据集	第94-95页
·参数的确定	第95页
·实验结果及分析	第95-98页
·与其它方法的比较	第98-99页
·本章小结	第99-101页
结论	第101-104页
参考文献	第104-115页
攻读博士学位期间发表的论文和取得的科研成果	第115-117页
致谢	第117页