| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第11-18页 |
| 1.1 研究背景与意义 | 第11-12页 |
| 1.2 研究现状 | 第12-14页 |
| 1.2.1 入侵检测研究现状 | 第12页 |
| 1.2.2 深度学习研究现状 | 第12-13页 |
| 1.2.3 基于深度学习的入侵检测算法研究现状 | 第13-14页 |
| 1.3 主要研究内容 | 第14-15页 |
| 1.4 论文的组织结构 | 第15-16页 |
| 1.5 本章小结 | 第16-18页 |
| 第二章 相关技术与理论基础 | 第18-32页 |
| 2.1 入侵检测系统 | 第18-20页 |
| 2.1.1 入侵检测系统概述 | 第18页 |
| 2.1.2 基于主机的IDS和基于网络的IDS | 第18-19页 |
| 2.1.3 异常检测和误用检测 | 第19-20页 |
| 2.2 深度学习常用模型 | 第20-25页 |
| 2.2.1 多层感知器 | 第20-22页 |
| 2.2.2 卷积神经网络 | 第22-23页 |
| 2.2.3 循环神经网络 | 第23-24页 |
| 2.2.4 预训练和微调网络 | 第24-25页 |
| 2.3 深度学习框架 | 第25-26页 |
| 2.4 不平衡数据处理 | 第26-31页 |
| 2.4.1 不平衡数据处理的难点 | 第27页 |
| 2.4.2 采样算法 | 第27-29页 |
| 2.4.3 集成学习算法 | 第29-30页 |
| 2.4.4 一类学习算法 | 第30-31页 |
| 2.5 本章小结 | 第31-32页 |
| 第三章 基于栈式稀疏自编码网络的入侵检测方法 | 第32-46页 |
| 3.1 SSAE算法原理 | 第32-35页 |
| 3.1.1 自编码网络 | 第32-33页 |
| 3.1.2 稀疏自编码网络 | 第33-34页 |
| 3.1.3 栈式稀疏自编码网络 | 第34-35页 |
| 3.2 SSAE入侵检测模块 | 第35-38页 |
| 3.2.1 SSAE入侵检测流程 | 第35-36页 |
| 3.2.2 SSAE入侵检测方法实现 | 第36-38页 |
| 3.2.3 对比模型构建 | 第38页 |
| 3.3 实验与分析 | 第38-45页 |
| 3.3.1 实验数据描述 | 第38-40页 |
| 3.3.2 实验数据可视化分析 | 第40页 |
| 3.3.3 实验评估方法 | 第40-41页 |
| 3.3.4 实验结果对比分析 | 第41-43页 |
| 3.3.5 表示学习可视化分析 | 第43-45页 |
| 3.4 本章小结 | 第45-46页 |
| 第四章 基于分阶段抽样和SSAE集成学习的入侵检测方法 | 第46-56页 |
| 4.1 分阶段抽样方法 | 第46-49页 |
| 4.1.1 SMOTE上采样方法 | 第46-48页 |
| 4.1.2 分阶段采样方法 | 第48-49页 |
| 4.2 栈式稀疏自编码网络集成学习算法 | 第49-54页 |
| 4.2.1 集成学习 | 第49-52页 |
| 4.2.2 多分类加权融合方法 | 第52页 |
| 4.2.3 栈式稀疏自编码网络集成学习算法 | 第52-54页 |
| 4.3 实验与分析 | 第54-55页 |
| 4.4 本章小结 | 第55-56页 |
| 第五章 基于SSAE-RE-OC的入侵检测方法 | 第56-65页 |
| 5.1 自编码重构误差的一类分类方法 | 第56-57页 |
| 5.2 栈式稀疏自编码重构误差的一类分类方法 | 第57-58页 |
| 5.3 SSAE-RE-OC入侵检测模块 | 第58-61页 |
| 5.3.1 SSAE-RE-OC入侵检测模块工作过程 | 第59页 |
| 5.3.2 SSAE-RE-OC模型保存和加载模块 | 第59-60页 |
| 5.3.3 对比模型构建 | 第60-61页 |
| 5.4 实验与分析 | 第61-63页 |
| 5.4.1 实验结果对比分析 | 第61-62页 |
| 5.4.2 表示学习可视化分析 | 第62-63页 |
| 5.5 本章小结 | 第63-65页 |
| 第六章 总结与展望 | 第65-67页 |
| 6.1 论文总结 | 第65-66页 |
| 6.2 工作展望 | 第66-67页 |
| 参考文献 | 第67-72页 |
| 致谢 | 第72-73页 |
| 攻读学位期间取得的研究成果 | 第73页 |
