| 摘要 | 第1-6页 |
| Abstract | 第6-7页 |
| 目录 | 第7-9页 |
| 第一章 绪论 | 第9-14页 |
| ·研究背景及意义 | 第9-10页 |
| ·国内外研究现状 | 第10-12页 |
| ·本文主要工作 | 第12-13页 |
| ·本文组织结构 | 第13页 |
| ·本章小结 | 第13-14页 |
| 第二章 相关知识介绍 | 第14-33页 |
| ·SQL注入攻击 | 第14-21页 |
| ·SQL | 第14页 |
| ·SQL注入背景 | 第14-15页 |
| ·SQL注入攻击的定义 | 第15-16页 |
| ·SQL注入机制 | 第16-17页 |
| ·SQL注入攻击类型 | 第17-20页 |
| ·SQL注入工具 | 第20-21页 |
| ·SQL注入攻击过程 | 第21页 |
| ·攻击检测评估准则 | 第21-22页 |
| ·分类器技术 | 第22-28页 |
| ·特征选择 | 第22-23页 |
| ·聚类 | 第23-25页 |
| ·RBF神经网络 | 第25-27页 |
| ·分类器性能的比较方法 | 第27-28页 |
| ·扩展的卡尔曼滤波器 | 第28-29页 |
| ·在线学习 | 第29-30页 |
| ·对抗学习 | 第30-31页 |
| ·局部泛化误差模型 | 第31-32页 |
| ·本章小结 | 第32-33页 |
| 第三章 基于k中心点的sQL注入攻击检测 | 第33-44页 |
| ·SQL注入攻击检测研究现状 | 第33-37页 |
| ·防御性编程 | 第33-34页 |
| ·基于统计的方法 | 第34-35页 |
| ·基于知识的方法 | 第35-36页 |
| ·基于机器学习的方法 | 第36-37页 |
| ·存在的问题 | 第37页 |
| ·提出的方法 | 第37-40页 |
| ·特征提取 | 第37-39页 |
| ·基于k中心点的检测算法 | 第39-40页 |
| ·实验 | 第40-42页 |
| ·结论 | 第42-43页 |
| ·本章小结 | 第43-44页 |
| 第四章 基于敏感度增剪策略的RBF神经网络 | 第44-55页 |
| ·RBF神经网络动态构造的研究成果 | 第44-46页 |
| ·存在的问题 | 第46-47页 |
| ·提出的算法 | 第47-49页 |
| ·增长策略 | 第48页 |
| ·剪枝策略 | 第48页 |
| ·SBGAP-RBF算法描述 | 第48-49页 |
| ·实验 | 第49-54页 |
| ·结论 | 第54页 |
| ·本章小结 | 第54-55页 |
| 第五章 基于SBGAP-RBF的SQL注入攻击检测 | 第55-64页 |
| ·对抗环境中的SQL注入问题 | 第55页 |
| ·实验说明 | 第55-56页 |
| ·离线学习与在线学习的对比实验 | 第56-57页 |
| ·模拟对抗环境中的攻击检测实验 | 第57-61页 |
| ·对抗环境中的离线学习与在线学习对比实验 | 第61-62页 |
| ·实验分析 | 第62-63页 |
| ·本章小结 | 第63-64页 |
| 总结与展望 | 第64-66页 |
| 本课题的研究总结 | 第64页 |
| 课题的研究展望 | 第64-66页 |
| 参考文献 | 第66-71页 |
| 攻读硕士学位期间取得的研究成果 | 第71-72页 |
| 致谢 | 第72-73页 |
| 附件 | 第73页 |