| 摘要 | 第1-6页 |
| ABSTRACT | 第6-11页 |
| 第一章 绪论 | 第11-18页 |
| ·课题背景及研究的意义 | 第11-12页 |
| ·国内外研究现状及发展趋势 | 第12-15页 |
| ·入侵检测技术发展过程 | 第12-14页 |
| ·入侵检测技术的发展趋势 | 第14-15页 |
| ·支持向量机与核主成分分析概述 | 第15-16页 |
| ·支持向量机技术 | 第15-16页 |
| ·核主成分分析技术 | 第16页 |
| ·本文的内容安排 | 第16-18页 |
| 第二章 攻击技术和入侵检测系统 | 第18-31页 |
| ·网络攻击技术分析 | 第18-20页 |
| ·网络攻击的过程和层次 | 第18-19页 |
| ·网络攻击的方法 | 第19-20页 |
| ·网络攻击的新技术及发展趋势 | 第20页 |
| ·入侵检测系统概述 | 第20-23页 |
| ·入侵检测系统定义 | 第20-21页 |
| ·入侵检测系统功能模块 | 第21页 |
| ·入侵检测的类型 | 第21-23页 |
| ·入侵检测特征分析和协议分析 | 第23-26页 |
| ·特征分析 | 第23-25页 |
| ·协议分析 | 第25-26页 |
| ·入侵检测模型 | 第26-27页 |
| ·入侵检测原始模型 | 第26-27页 |
| ·通用入侵检测模型 | 第27页 |
| ·入侵检测数据源 | 第27-30页 |
| ·本章小结 | 第30-31页 |
| 第三章 统计学习理论和支持向量机 | 第31-47页 |
| ·引言 | 第31-32页 |
| ·机器学习的基本问题 | 第32-34页 |
| ·系统构成 | 第32-33页 |
| ·经验风险最小化 | 第33页 |
| ·复杂性与推广能力 | 第33-34页 |
| ·统计学习理论的核心内容 | 第34-38页 |
| ·学习过程一致性的条件 | 第34-35页 |
| ·VC 维 | 第35-36页 |
| ·推广性的界 | 第36页 |
| ·结构风险最小化 | 第36-38页 |
| ·支持向量机 | 第38-44页 |
| ·广义最优分类面 | 第38-40页 |
| ·支持向量机结构 | 第40-41页 |
| ·核思想与核函数 | 第41-43页 |
| ·核函数主成分分析 | 第43页 |
| ·应用研究 | 第43-44页 |
| ·软间隔支持向量机 | 第44-46页 |
| ·本章小结 | 第46-47页 |
| 第四章 核主成分分析技术 | 第47-54页 |
| ·主成分分析 | 第47-50页 |
| ·特征选择过程 | 第48-49页 |
| ·特征提取过程 | 第49-50页 |
| ·核主成分分分析 | 第50-53页 |
| ·本章小结 | 第53-54页 |
| 第五章 基于C-SVM 和KPCA 的入侵检测模型 | 第54-75页 |
| ·基于C-SVM 的入侵检测模型 | 第54-60页 |
| ·基本思想 | 第54-55页 |
| ·模型结构 | 第55-56页 |
| ·模块功能 | 第56-59页 |
| ·模型主要参数的选取原则 | 第59-60页 |
| ·基于C-SVM 分析引擎的实验及性能分析 | 第60-68页 |
| ·数据预处理 | 第60-61页 |
| ·实验数据集的选择 | 第61-63页 |
| ·核函数选择与设计 | 第63页 |
| ·有界参数的交叉组合法选取参数及参数评估 | 第63-66页 |
| ·实验结果与性能分析 | 第66-68页 |
| ·基于KPCA 和C-SVM 的入侵检测模型 | 第68-71页 |
| ·模型结构与原理 | 第69-70页 |
| ·实验结果与性能分析 | 第70-71页 |
| ·基于C-SVM 和KPCA 的多分类入侵检测模型 | 第71-74页 |
| ·模型结构与原理 | 第71-73页 |
| ·模型有效性实验验证 | 第73-74页 |
| ·本章小结 | 第74-75页 |
| 结论 | 第75-77页 |
| 参考文献 | 第77-82页 |
| 攻读学位期间发表的学术论文 | 第82-83页 |
| 致谢 | 第83页 |