| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第1章 绪论 | 第8-11页 |
| 1.1 课题研究的背景与意义 | 第8页 |
| 1.2 国内外研究现状及趋势 | 第8-9页 |
| 1.3 入侵检测的必要性 | 第9-10页 |
| 1.4 论文的主要工作 | 第10-11页 |
| 第2章 入侵检测系统研究 | 第11-20页 |
| 2.1 数据流量抽样理论 | 第11页 |
| 2.2 入侵检测系统理论 | 第11-17页 |
| 2.2.1 入侵检测系统定义及作用 | 第11-12页 |
| 2.2.2 入侵检测技术 | 第12页 |
| 2.2.3 入侵检测通用模型 | 第12-13页 |
| 2.2.4 入侵检测系统分类 | 第13-15页 |
| 2.2.5 常用检测方法 | 第15-16页 |
| 2.2.6 入侵检测系统评价 | 第16页 |
| 2.2.7 当前主流入侵检测系统筒介 | 第16页 |
| 2.2.8 入侵检测存在的问题 | 第16-17页 |
| 2.3 支持向量机理论 | 第17-20页 |
| 2.3.1 机器学习概念 | 第17-18页 |
| 2.3.2 支持向量机概述 | 第18-19页 |
| 2.3.3 支持向量机分类 | 第19-20页 |
| 第3章 基于自适应的多掩码抽样算法 | 第20-28页 |
| 3.1 多掩码抽样算法 | 第20-21页 |
| 3.3.1 抽样比的分解 | 第20-21页 |
| 3.3.2 数据分组的抽取规则 | 第21页 |
| 3.2 基于自适应的多掩码抽样算法 | 第21-23页 |
| 3.3 仿真实验 | 第23-26页 |
| 3.4 本章小结 | 第26-28页 |
| 第4章 基于k-近邻和单类支持向量机的入侵检测系统研究 | 第28-40页 |
| 4.1 单类支持向量机在入侵检测中的应用 | 第28-30页 |
| 4.1.1 原理与概述 | 第28-29页 |
| 4.1.2 入侵检测中的应用 | 第29-30页 |
| 4.2 k-近邻法在入侵检测中的应用 | 第30-31页 |
| 4.2.1 k-近邻法概述 | 第30页 |
| 4.2.2 k-近邻法决策规则 | 第30-31页 |
| 4.3 k-近邻法和单类支持向量机的混合方法 | 第31-34页 |
| 4.3.1 OC-SVM训练模块 | 第32页 |
| 4.3.2 K-近邻检测模块 | 第32-33页 |
| 4.3.3 SVM检测模块 | 第33页 |
| 4.3.4 报警模块及再训练 | 第33页 |
| 4.3.5 时间复杂度 | 第33-34页 |
| 4.4 仿真实验 | 第34-39页 |
| 4.4.1 实验数据说明 | 第34页 |
| 4.4.2 实验环境 | 第34-35页 |
| 4.4.3 实验环境搭建 | 第35页 |
| 4.4.4 MATLAB实现 | 第35-39页 |
| 4.5 本章小结 | 第39-40页 |
| 第5章 总结与展望 | 第40-42页 |
| 5.1 作总结 | 第40-41页 |
| 5.2 下一步展望 | 第41-42页 |
| 参考文献 | 第42-45页 |
| 在读期间发表的学术论文及研究成果 | 第45-46页 |
| 致谢 | 第46页 |