| 中文摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第一章 绪论 | 第9-13页 |
| 1.1 论文研究背景及意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-11页 |
| 1.3 本文主要研究内容 | 第11页 |
| 1.4 论文组织结构 | 第11-13页 |
| 第二章 入侵检测技术分析 | 第13-17页 |
| 2.1 入侵检测技术分类 | 第13-15页 |
| 2.2 入侵检测通用模型 | 第15-16页 |
| 2.3 入侵检测系统的工作原理 | 第16页 |
| 2.4 本章小结 | 第16-17页 |
| 第三章 实验数据集选取及其处理 | 第17-30页 |
| 3.1 常用数据集缺点 | 第17-18页 |
| 3.2 NUSW-NB15数据集 | 第18-22页 |
| 3.2.1 数据集攻击类型 | 第18-19页 |
| 3.2.2 数据集特征组成 | 第19-22页 |
| 3.3 本文选用数据集及其处理方法 | 第22-29页 |
| 3.3.1 本文数据集选取 | 第24-26页 |
| 3.3.2 本文数据集处理 | 第26-29页 |
| 3.4 本章小结 | 第29-30页 |
| 第四章 基于数据降维和改进CS-WNN的入侵检测模型 | 第30-48页 |
| 4.1 小波神经网络(WaveletNeuralNetwork) | 第30-34页 |
| 4.1.1 小波神经网络特点 | 第30-31页 |
| 4.1.2 小波神经网络结构形式 | 第31-32页 |
| 4.1.3 小波神经网络的学习过程 | 第32-34页 |
| 4.2 改进布谷鸟算法优化小波神经网络(ICS-WNN)入侵检测模型 | 第34-42页 |
| 4.2.1 布谷鸟算法的产生与发展 | 第34-35页 |
| 4.2.2 布谷鸟算法的生物学原理 | 第35页 |
| 4.2.3 布谷鸟算法步骤 | 第35-37页 |
| 4.2.4 改进布谷鸟算法 | 第37-40页 |
| 4.2.5 改进布谷鸟算法优化小波神经网络(ICS-WNN)入侵检测模型 | 第40-42页 |
| 4.3 基于数据降维的ICS-WNN(DR-ICS-WNN)入侵检测模型 | 第42-47页 |
| 4.3.1 拉普拉斯特征映射法(LaplacianEigenmaps)数据降维 | 第43-44页 |
| 4.3.2 特征选择法(FeatureSelection)数据降维 | 第44-46页 |
| 4.3.3 基于数据降维的ICS-WNN入侵检测模型 | 第46-47页 |
| 4.4 本章小结 | 第47-48页 |
| 第五章 实验结论与分析 | 第48-63页 |
| 5.1 入侵检测系统的评价指标 | 第48-50页 |
| 5.2 实验结论与分析 | 第50-61页 |
| 5.2.1 实验环境 | 第50页 |
| 5.2.2 预测标签选取 | 第50-51页 |
| 5.2.3 小波神经网络隐层个数选择实验 | 第51-53页 |
| 5.2.4 ICS-WNN性能比对 | 第53-58页 |
| 5.2.5 ICS-WNN泛化能力测试 | 第58页 |
| 5.2.6 DR-ICS-WNN性能测试 | 第58-60页 |
| 5.2.7 ICS-WNN性能与GA-WNN比较 | 第60-61页 |
| 5.3 本章小结 | 第61-63页 |
| 第六章 总结与展望 | 第63-65页 |
| 6.1 总结 | 第63页 |
| 6.2 展望 | 第63-65页 |
| 参考文献 | 第65-69页 |
| 在学期间的研究成果 | 第69-70页 |
| 致谢 | 第70页 |
