| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第1章 绪论 | 第9-15页 |
| 1.1 研究背景和意义 | 第9-10页 |
| 1.2 研究现状 | 第10-12页 |
| 1.2.1 入侵检测技术研究现状 | 第10页 |
| 1.2.2 入侵检测技术的发展方向 | 第10-11页 |
| 1.2.3 朴素贝叶斯分类算法研究现状 | 第11-12页 |
| 1.3 研究内容 | 第12页 |
| 1.4 本文组织结构 | 第12-15页 |
| 第2章 入侵检测相关技术 | 第15-27页 |
| 2.1 入侵检测概述 | 第15-17页 |
| 2.2 入侵检测系统模型 | 第17-19页 |
| 2.3 机器学习技术 | 第19-26页 |
| 2.3.1 机器学习方法概述 | 第19-20页 |
| 2.3.2 机器学习在入侵检测中的应用 | 第20-22页 |
| 2.3.3 朴素贝叶斯分类器 | 第22-23页 |
| 2.3.4 受限玻尔兹曼机 | 第23-26页 |
| 2.4 本章小结 | 第26-27页 |
| 第3章 受限玻尔兹曼机-朴素贝叶斯分类器模型 | 第27-35页 |
| 3.1 模型分析 | 第27-30页 |
| 3.1.1 设计原理 | 第28页 |
| 3.1.2 执行流程 | 第28-30页 |
| 3.2 特征降维 | 第30-33页 |
| 3.2.1 数据降维的意义 | 第31-32页 |
| 3.2.2 用受限玻尔兹曼机进行特征降维 | 第32-33页 |
| 3.3 检测入侵 | 第33-34页 |
| 3.4 本章小结 | 第34-35页 |
| 第4章 基于高斯模型的朴素贝叶斯分类器 | 第35-45页 |
| 4.1 问题分析 | 第35页 |
| 4.2 数据离散问题分析 | 第35-37页 |
| 4.3 高斯化的朴素贝叶斯分类器 | 第37-43页 |
| 4.3.1 理论依据 | 第37页 |
| 4.3.2 基于聚类中心距离的聚类方法 | 第37-41页 |
| 4.3.3 建立高斯模型 | 第41-42页 |
| 4.3.4 概率计算 | 第42-43页 |
| 4.4 本章小结 | 第43-45页 |
| 第5章 基于特征属性关联项的朴素贝叶斯分类器 | 第45-55页 |
| 5.1 问题分析 | 第45-46页 |
| 5.2 以关联特征值扩充数据集 | 第46-50页 |
| 5.2.1 寻找关联项算法 | 第46-49页 |
| 5.2.2 为关联项设置权重 | 第49-50页 |
| 5.3 权重选取标准的探讨 | 第50-52页 |
| 5.3.1 概率方差 | 第50-52页 |
| 5.3.2 方差的意义 | 第52页 |
| 5.4 多个关联项的选取 | 第52-54页 |
| 5.5 本章小结 | 第54-55页 |
| 第6章 入侵检测模型实验分析和总结 | 第55-71页 |
| 6.1 数据集介绍 | 第55-58页 |
| 6.1.1 DKK CUP 99 简介 | 第55-56页 |
| 6.1.2 特征属性调整 | 第56-58页 |
| 6.2 数据预处理 | 第58-62页 |
| 6.2.1 数据清洗 | 第58-60页 |
| 6.2.2 数据集成 | 第60页 |
| 6.2.3 数据变换 | 第60-61页 |
| 6.2.4 数据离散化 | 第61-62页 |
| 6.3 实验评价指标 | 第62-63页 |
| 6.4 实验结果及分析 | 第63-69页 |
| 6.4.1 受限玻尔兹曼机-朴素贝叶斯分类器模型实验与分析 | 第63-65页 |
| 6.4.2 基于高斯模型的朴素贝叶斯实验与分析 | 第65-67页 |
| 6.4.3 基于特征属性关联项的朴素贝叶斯实验与分析 | 第67-69页 |
| 6.4.4 实验结果总结 | 第69页 |
| 6.5 本章小结 | 第69-71页 |
| 总结 | 第71-73页 |
| 参考文献 | 第73-77页 |
| 攻读硕士学位期间所发表的学术论文 | 第77-79页 |
| 致谢 | 第79页 |