| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7-8页 |
| 1 引言 | 第11-17页 |
| 1.1 研究背景 | 第11-13页 |
| 1.1.1 入侵检测系统的发展 | 第12页 |
| 1.1.2 深度学习技术的出现 | 第12-13页 |
| 1.2 研究现状 | 第13-14页 |
| 1.3 问题的提出及研究的意义 | 第14-15页 |
| 1.4 论文的主要工作 | 第15-16页 |
| 1.5 本章小结 | 第16-17页 |
| 2 入侵检测系统 | 第17-26页 |
| 2.1 入侵检测基本概念 | 第17-19页 |
| 2.1.1 IDS的起源 | 第17-18页 |
| 2.1.2 入侵的概念 | 第18-19页 |
| 2.2 入侵检测系统的基本结构 | 第19-21页 |
| 2.2.1 入侵检测的通用模型 | 第19-20页 |
| 2.2.2 入侵检测的Denning模型 | 第20页 |
| 2.2.3 入侵检测系统的组成 | 第20-21页 |
| 2.3 侵检测技术的分类和检测方法 | 第21-23页 |
| 2.4 入侵检测存在的问题及其发展方向 | 第23-25页 |
| 2.4.1 入侵检测存在的问题 | 第23-24页 |
| 2.4.2 入侵检测的发展方向 | 第24-25页 |
| 2.5 本章小结 | 第25-26页 |
| 3 深度学习 | 第26-40页 |
| 3.1 深度学习理论基础 | 第26-28页 |
| 3.1.1 深度学习的研究背景 | 第26-27页 |
| 3.1.2 深度学习的基本思想 | 第27-28页 |
| 3.2 深度学习的常用模型 | 第28-33页 |
| 3.2.1 自动编码器 | 第28-30页 |
| 3.2.2 卷积神经网络 | 第30-31页 |
| 3.2.3 深度信念网络 | 第31-33页 |
| 3.3 限制玻尔兹曼机 | 第33-37页 |
| 3.3.1 RBM模型参数分析 | 第33-35页 |
| 3.3.2 限制玻尔兹曼机的学习方法 | 第35-37页 |
| 3.4 BP神经网络 | 第37-39页 |
| 3.5 本章小结 | 第39-40页 |
| 4 基于深度结构的入侵检测 | 第40-47页 |
| 4.1 特征学习 | 第40-43页 |
| 4.1.1 传统的特征学习方法 | 第40-42页 |
| 4.1.2 从浅层结构到深度结构 | 第42-43页 |
| 4.2 基于深度结构的混合入侵检测模型 | 第43-44页 |
| 4.3 基于深度结构的特征学习实验对比 | 第44-46页 |
| 4.4 本章小结 | 第46-47页 |
| 5 基于深度信念网络的入侵检测 | 第47-57页 |
| 5.1 DBN-SVM模型 | 第47-49页 |
| 5.2 DBN-SVM模型实验分析 | 第49-56页 |
| 5.2.1 NSL-KDD数据集 | 第49-54页 |
| 5.2.2 DBN-SVM与其它分类方法的实验对比分析 | 第54-55页 |
| 5.2.3 DBN同其它特征学习方法的实验对比 | 第55-56页 |
| 5.3 本章小结 | 第56-57页 |
| 6 总结与展望 | 第57-59页 |
| 6.1 研究工作总结 | 第57-58页 |
| 6.2 下一步的研究方向 | 第58-59页 |
| 参考文献 | 第59-62页 |
| 作者简历及攻读硕士学位期间取得的研究成果 | 第62-64页 |
| 学位论文数据集 | 第64页 |