| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第一章 绪论 | 第10-16页 |
| 1.1 研究工作的背景与意义 | 第10-11页 |
| 1.2 网络流量异常的分类 | 第11-12页 |
| 1.3 异常检测技术的国内外研究历史与现状 | 第12-14页 |
| 1.4 论文的主要研究内容 | 第14-15页 |
| 1.5 论文架构 | 第15-16页 |
| 第二章 基于预测-分类级联的网络流量异常检测方法的相关技术 | 第16-32页 |
| 2.1 现有的网络流量异常检测技术 | 第16-21页 |
| 2.1.1 基于统计分析的网络流量异常检测技术 | 第16-17页 |
| 2.1.2 基于信号处理的网络流量异常检测技术 | 第17-18页 |
| 2.1.3 基于数据挖掘的网络流量异常检测技术 | 第18-20页 |
| 2.1.4 基于神经网络的网络流量异常检测方法 | 第20-21页 |
| 2.2 数据合成 | 第21-26页 |
| 2.2.1 主成分分析法 | 第21-22页 |
| 2.2.2 主成分分析法的空间几何意义 | 第22-23页 |
| 2.2.3 主成分分析的模型解析 | 第23-26页 |
| 2.3 神经网络理论基础 | 第26-28页 |
| 2.3.1 神经网络基本原理 | 第26-27页 |
| 2.3.2 神经网络拓扑结构及预测功能 | 第27-28页 |
| 2.3.3 神经网络训练方法 | 第28页 |
| 2.4 异常分类器 | 第28-31页 |
| 2.4.1 分类器 | 第29-30页 |
| 2.4.2 一分类器 | 第30-31页 |
| 2.5 本章小结 | 第31-32页 |
| 第三章 LSTM-SVDD流量异常检测方法的设计 | 第32-53页 |
| 3.1 方法需求分析 | 第32-33页 |
| 3.2 方法总体设计 | 第33-35页 |
| 3.3 流量数据预处理 | 第35-38页 |
| 3.3.1 网络流量数据特征 | 第35-36页 |
| 3.3.2 基于主成分分析的网络流量数据降维处理 | 第36-38页 |
| 3.4 基于神经网络的流量数据预测模块 | 第38-43页 |
| 3.4.1 基于LSTM的流量预测模型 | 第39-40页 |
| 3.4.2 预测模型训练方法 | 第40-41页 |
| 3.4.3 基于梯度的优化方法 | 第41-42页 |
| 3.4.4 数据预测 | 第42-43页 |
| 3.5 基于SVDD的异常检测模块 | 第43-45页 |
| 3.5.1 SVDD的原理 | 第43-44页 |
| 3.5.2 SVDD的训练和应用 | 第44-45页 |
| 3.6 方法实验分析 | 第45-52页 |
| 3.6.1 数据处理 | 第45-48页 |
| 3.6.2 基于网络流量多特征维度组合的异常检测 | 第48-50页 |
| 3.6.3 基于网络流量单特征维度的异常检测 | 第50-51页 |
| 3.6.4 实验分析 | 第51-52页 |
| 3.7 本章小结 | 第52-53页 |
| 第四章 方法分析与系统实现 | 第53-67页 |
| 4.1 系统设计 | 第53-57页 |
| 4.1.1 系统结构 | 第53-54页 |
| 4.1.2 系统功能模块 | 第54-55页 |
| 4.1.3 数据库设计 | 第55-57页 |
| 4.2 系统详细设计与实现 | 第57-64页 |
| 4.2.1 流量采集和预处理调度子系统 | 第57-59页 |
| 4.2.2 神经网络预测子系统 | 第59-61页 |
| 4.2.3 异常流量检测子系统 | 第61-62页 |
| 4.2.4 WEB管理子系统 | 第62-64页 |
| 4.3 系统测试 | 第64-65页 |
| 4.4 本章小结 | 第65-67页 |
| 第五章 全文总结与展望 | 第67-69页 |
| 5.1 全文总结 | 第67-68页 |
| 5.2 后续工作展望 | 第68-69页 |
| 致谢 | 第69-70页 |
| 参考文献 | 第70-73页 |
| 攻读硕士学位期间取得的成果 | 第73页 |