| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 1 绪论 | 第10-16页 |
| 1.1 课题背景与研究意义 | 第10-11页 |
| 1.1.1 课题背景 | 第10-11页 |
| 1.1.2 研究意义 | 第11页 |
| 1.2 国内外研究现状 | 第11-14页 |
| 1.2.1 入侵检测技术研究现状 | 第11-13页 |
| 1.2.2 深度信念网络研究现状 | 第13-14页 |
| 1.3 本文主要研究内容 | 第14-15页 |
| 1.4 论文组织架构 | 第15-16页 |
| 2 相关技术 | 第16-26页 |
| 2.1 入侵检测 | 第16-20页 |
| 2.1.1 入侵检测技术 | 第16-19页 |
| 2.1.2 入侵检测技术存在的问题 | 第19-20页 |
| 2.2 深度信念网络相关技术 | 第20-24页 |
| 2.2.1 深度学习方法 | 第20-21页 |
| 2.2.2 受限玻尔兹曼机 | 第21-24页 |
| 2.2.3 深度信念网络 | 第24页 |
| 2.3 本章小结 | 第24-26页 |
| 3 基于自适应深度信念网络的入侵检测算法 | 第26-46页 |
| 3.1 传统深度信念网络分析 | 第26-28页 |
| 3.2 自适应深度信念网络算法 | 第28-33页 |
| 3.2.1 算法思想 | 第28-29页 |
| 3.2.2 算法步骤 | 第29-33页 |
| 3.3 入侵检测训练过程 | 第33-35页 |
| 3.3.1 网络结构设计 | 第34页 |
| 3.3.2 RBM模型建立 | 第34-35页 |
| 3.4 实验与分析 | 第35-45页 |
| 3.4.1 实验环境与实验评价标准 | 第35页 |
| 3.4.2 实验数据介绍 | 第35-38页 |
| 3.4.3 实验参数设置 | 第38页 |
| 3.4.4 实验结果与分析 | 第38-45页 |
| 3.5 本章小结 | 第45-46页 |
| 4 基于深度信念网络与随机森林的入侵检测算法 | 第46-56页 |
| 4.1 特征学习问题 | 第46-48页 |
| 4.2 基于深度信念网络与随机森林的入侵检测算法 | 第48-52页 |
| 4.2.1 随机森林 | 第48-49页 |
| 4.2.2 算法思想 | 第49-50页 |
| 4.2.3 算法步骤 | 第50-52页 |
| 4.3 实验与分析 | 第52-54页 |
| 4.4 DBN-RFS算法与ADBN算法在入侵检测上对比分析 | 第54-55页 |
| 4.5 本章小结 | 第55-56页 |
| 5 面向不平衡网络数据的混合入侵检测模型 | 第56-68页 |
| 5.1 不平衡网络数据问题 | 第56-57页 |
| 5.2 改进的SMOTE算法 | 第57-60页 |
| 5.3 面向不平衡网络数据的混合入侵检测模型 | 第60-62页 |
| 5.4 实验与分析 | 第62-66页 |
| 5.5 本章小结 | 第66-68页 |
| 6 总结与展望 | 第68-70页 |
| 6.1 工作总结 | 第68-69页 |
| 6.2 进一步研究展望 | 第69-70页 |
| 参考文献 | 第70-76页 |
| 致谢 | 第76-77页 |
| 攻读学位期间取得的科研成果清单 | 第77页 |