面向日志分类的蚁群聚类算法研究
| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第9-16页 |
| 1.1 研究背景 | 第9-10页 |
| 1.2 研究现状 | 第10-13页 |
| 1.2.1 使用频繁项集建立日志分类器 | 第10-11页 |
| 1.2.2 日志时间序列算法的研究 | 第11-12页 |
| 1.2.3 蚁群聚类算法的研究 | 第12-13页 |
| 1.3 研究内容和目标 | 第13-14页 |
| 1.3.1 日志文本到向量模型转换的研究 | 第13页 |
| 1.3.2 蚁群聚类算法的研究 | 第13-14页 |
| 1.4 本文的组织结构 | 第14-16页 |
| 第2章 日志数据挖掘概述 | 第16-28页 |
| 2.1 网络环境及日志的采集 | 第16-18页 |
| 2.2 日志数据挖掘算法介绍 | 第18-22页 |
| 2.2.1 Apriori算法 | 第18-19页 |
| 2.2.2 FP-tree算法 | 第19-20页 |
| 2.2.3 基于距离的异常检测方法 | 第20-22页 |
| 2.3 蚁群聚类相关算法 | 第22-27页 |
| 2.3.1 蚁群聚类算法 | 第22-24页 |
| 2.3.2 蚁群聚类算法与其他算法相结合 | 第24-27页 |
| 2.4 本章小结 | 第27-28页 |
| 第3章 日志文本向量化研究 | 第28-37页 |
| 3.1 文本检索简介 | 第28-34页 |
| 3.1.1 索引 | 第28-30页 |
| 3.1.2 创建索引 | 第30-34页 |
| 3.2 根据日志文本索引建立向量 | 第34-36页 |
| 3.2.1 日志向量的建立过程 | 第34-35页 |
| 3.2.2 加权方式的比较 | 第35-36页 |
| 3.2.3 距离公式的选取 | 第36页 |
| 3.3 本章小结 | 第36-37页 |
| 第4章 蚁群聚类算法的改进 | 第37-46页 |
| 4.1 蚂蚁记忆改进为蚁群记忆 | 第37-41页 |
| 4.1.1 存在的问题 | 第37-40页 |
| 4.1.2 为算法设置蚁群记忆 | 第40-41页 |
| 4.2 设置对象适应度列表 | 第41-45页 |
| 4.2.1 原算法中存在的问题 | 第41-42页 |
| 4.2.2 设置对象适应度列表的改进方法 | 第42页 |
| 4.2.3 算法的改进在系统中的实现 | 第42-45页 |
| 4.3 本章小结 | 第45-46页 |
| 第5章 实验及分析 | 第46-58页 |
| 5.1 日志采集及预处理 | 第46-49页 |
| 5.1.1 日志采集系统 | 第46-48页 |
| 5.1.2 日志转换为向量 | 第48-49页 |
| 5.2 聚类结果处理及评价 | 第49-51页 |
| 5.2.1 实验结果的处理 | 第49-50页 |
| 5.2.2 实验评价指标 | 第50-51页 |
| 5.3 实验结果及分析 | 第51-57页 |
| 5.4 本章小结 | 第57-58页 |
| 第6章 总结与展望 | 第58-60页 |
| 6.1 本文总结 | 第58-59页 |
| 6.2 展望 | 第59-60页 |
| 参考文献 | 第60-63页 |
| 致谢 | 第63页 |
