| 摘要 | 第1-6页 |
| Abstract | 第6-10页 |
| 第一章 绪论 | 第10-20页 |
| ·目前网络安全领域面临的挑战 | 第10-11页 |
| ·传统网络安全技术 | 第11-12页 |
| ·入侵检测系统概述 | 第12-18页 |
| ·入侵检测相关概念 | 第12-13页 |
| ·入侵检测系统分类 | 第13-14页 |
| ·入侵检测系统的主要发展历程 | 第14-15页 |
| ·入侵检测分析技术 | 第15-17页 |
| ·现有的入侵检测系统及其面临的挑战 | 第17-18页 |
| ·本文的研究内容 | 第18-20页 |
| 第二章 半监督学习与支持向量机 | 第20-34页 |
| ·半监督学习简介和发展 | 第20-22页 |
| ·半监督学习算法简述 | 第22-27页 |
| ·生成模型法 | 第22-23页 |
| ·低密度分割法 | 第23-24页 |
| ·基于图的方法 | 第24-25页 |
| ·其他算法 | 第25-27页 |
| ·统计学习理论与支持向量机 | 第27-34页 |
| ·机器学习问题 | 第28页 |
| ·经验风险最小化原则 | 第28-29页 |
| ·VC维和结构风险最小化原则 | 第29-31页 |
| ·支持向量机的基本原理 | 第31-34页 |
| 第三章 基于Tri-training的半监督SVM | 第34-48页 |
| ·Co-training协同训练策略与Tri-training | 第34-37页 |
| ·Co-training策略及其缺点 | 第34-36页 |
| ·Tri-training基本原理 | 第36-37页 |
| ·基于噪声数据学习的基本理论 | 第37页 |
| ·支持向量机的改进算法 | 第37-39页 |
| ·最小二乘支持向量机(LS-SVM) | 第38-39页 |
| ·近似支持向量机(PSVM) | 第39页 |
| ·基于Tri-training的半监督SVM算法 | 第39-41页 |
| ·实验结果与分析 | 第41-47页 |
| ·实验结果 | 第41-46页 |
| ·实验结果分析 | 第46-47页 |
| ·本章小结 | 第47-48页 |
| 第四章 基于半监督SVM的入侵检测系统 | 第48-58页 |
| ·研究背景 | 第48-49页 |
| ·入侵系统的构造 | 第49-50页 |
| ·One-Class SVM简介 | 第50-51页 |
| ·入侵检测实验 | 第51-58页 |
| ·数据简介 | 第51-55页 |
| ·实验数据预处理 | 第55-56页 |
| ·参数设置及结果 | 第56-57页 |
| ·本章小结 | 第57-58页 |
| 第五章 总结 | 第58-60页 |
| ·本文的主要工作 | 第58-59页 |
| ·进一步研究工作的展望 | 第59-60页 |
| 参考文献 | 第60-64页 |
| 攻读硕士学位期间发表论文情况 | 第64-65页 |
| 致谢 | 第65页 |