| 摘要 | 第1-6页 |
| ABSTRACT | 第6-10页 |
| 第一章 绪论 | 第10-19页 |
| ·研究背景 | 第10-11页 |
| ·入侵检测的研究概述 | 第11-16页 |
| ·入侵检测系统概念 | 第11页 |
| ·入侵检测系统分类 | 第11-12页 |
| ·主要的入侵检测技术 | 第12-14页 |
| ·入侵检测(IDS)存在的问题及发展趋势 | 第14-16页 |
| ·基于人工免疫的入侵检测 | 第16-17页 |
| ·本文的研究内容及组织结构 | 第17-19页 |
| 第二章 生物免疫系统与人工免疫系统 | 第19-29页 |
| ·生物免疫系统 | 第19-22页 |
| ·生物免疫系统简介 | 第19页 |
| ·生物免疫系统组成 | 第19-21页 |
| ·生物免疫机制 | 第21-22页 |
| ·人工免疫系统 | 第22-29页 |
| ·概述 | 第22-23页 |
| ·免疫联想记忆机制 | 第23-26页 |
| ·免疫网络模型 | 第26页 |
| ·人工免疫算法 | 第26-29页 |
| 第三章 基于免疫网络的核聚类算法 | 第29-42页 |
| ·免疫网络聚类算法 | 第29-30页 |
| ·在线核聚类算法 | 第30-34页 |
| ·基于人工免疫网络的在线核聚类算法 | 第34-37页 |
| ·仿真实验 | 第37-41页 |
| ·结论 | 第41-42页 |
| 第四章 RBF 网络学习算法 | 第42-56页 |
| ·RBF 神经网络简介 | 第42页 |
| ·RBF 网络的理论基础 | 第42-43页 |
| ·RBF 网络的学习算法概述 | 第43-44页 |
| ·RBF 网络学习算法 | 第44-56页 |
| ·梯度下降算法 | 第44-45页 |
| ·基于遗传算法的学习算法 | 第45-46页 |
| ·反复迭代学习方法 | 第46页 |
| ·基于k -均值聚类学习方法 | 第46-47页 |
| ·正交最小二乘学习方法 | 第47-49页 |
| ·动态均值聚类学习方法 | 第49-51页 |
| ·基于次胜者受罚竞争学习方法 | 第51-56页 |
| 第五章 基于免疫记忆的 RBF 群在入侵检测中应用 | 第56-71页 |
| ·RBF 用于入侵检测的优势 | 第56-57页 |
| ·基于免疫记忆机制的引入 | 第57-59页 |
| ·基于免疫记忆机制的 RBF 群的入侵检测系统 | 第59-62页 |
| ·通用入侵检测框架（CIDF） | 第59-60页 |
| ·基于RBF 神经网络的入侵检测模型 | 第60-62页 |
| ·数据实验 | 第62-71页 |
| ·实验数据源的选取 | 第62-64页 |
| ·数据的预处理 | 第64-65页 |
| ·实验过程 | 第65-71页 |
| 第六章 总结与展望 | 第71-72页 |
| 致谢 | 第72-73页 |
| 参考文献 | 第73-79页 |
| 读研期间成果 | 第79-80页 |