基于遗传算法及神经网络的入侵检测模型研究
| 摘要 | 第1-6页 |
| Abstract | 第6-10页 |
| 第一章 绪论 | 第10-13页 |
| ·研究意义 | 第10页 |
| ·网络安全 | 第10-11页 |
| ·概述 | 第10页 |
| ·入侵防御与入侵检测对比 | 第10-11页 |
| ·主要工作 | 第11-12页 |
| ·论文结构 | 第12-13页 |
| 第二章 研究背景及算法介绍 | 第13-22页 |
| ·遗传算法 | 第13-14页 |
| ·神经网络 | 第14-16页 |
| ·其他数据挖掘方式 | 第16-22页 |
| ·概览 | 第16页 |
| ·机器学习方法 | 第16页 |
| ·基于机器学习的IDS应用 | 第16-22页 |
| 第三章 改进遗传算法 | 第22-37页 |
| ·介绍 | 第22页 |
| ·增强遗传算法 | 第22-28页 |
| ·概览 | 第22-25页 |
| ·增强遗传算法与改进遗传算法的目标 | 第25页 |
| ·增强遗传算法的成功处 | 第25-26页 |
| ·增强遗传算法的局限性 | 第26-28页 |
| ·改进遗传算法 | 第28-29页 |
| ·自定义参数 | 第28-29页 |
| ·接受概率 | 第29页 |
| ·性能比较 | 第29-34页 |
| ·结果意义 | 第34-37页 |
| 第四章 基于开关的神经网络 | 第37-51页 |
| ·介绍 | 第37-38页 |
| ·基于开关的神经网络 | 第38-40页 |
| ·概览 | 第38-39页 |
| ·增强神经网络与改进神经网络的目标 | 第39页 |
| ·增强神经网络的成功之处 | 第39-40页 |
| ·增强神经网络的局限性 | 第40-41页 |
| ·基于开关的网络的局限性 | 第40页 |
| ·适应度函数的局限性 | 第40-41页 |
| ·改进神经网络模型 | 第41-43页 |
| ·基于开关的隐节点 | 第41页 |
| ·新的适应度函数 | 第41-43页 |
| ·性能比较 | 第43-50页 |
| ·结论意义 | 第50-51页 |
| 第五章 入侵检测系统 | 第51-64页 |
| ·系统设计与实施 | 第51-53页 |
| ·新的入侵检测系统结构 | 第51-53页 |
| ·IDS性能评估 | 第53-64页 |
| ·评估数据集 | 第53-55页 |
| ·实验设置 | 第55-56页 |
| ·测试结果 | 第56页 |
| ·支持向量机 | 第56页 |
| ·蚁群算法 | 第56-57页 |
| ·增强遗传算法 | 第57页 |
| ·改进遗传算法 | 第57-58页 |
| ·结果比较 | 第58-62页 |
| ·使用不同测试集的进一步验证 | 第62-64页 |
| 第六章 总结与展望 | 第64-66页 |
| ·研究总结 | 第64-65页 |
| ·改进遗传算法的贡献 | 第64页 |
| ·改进神经网络的贡献 | 第64-65页 |
| ·研究展望 | 第65-66页 |
| 参考文献 | 第66-69页 |
| 附录 相关代码 | 第69-74页 |
| 发表论文和科研情况说明 | 第74-75页 |
| 致谢 | 第75页 |
