首页--工业技术论文--自动化技术、计算机技术论文--计算技术、计算机技术论文--计算机的应用论文--计算机网络论文--一般性问题论文

垃圾邮件过滤中的敌手分类问题研究

摘要第1-7页
ABSTRACT第7-12页
第一章 引言第12-30页
   ·研究背景和选题动机第12-19页
     ·垃圾邮件的泛滥第12-14页
     ·机器学习面临的挑战第14-17页
     ·本文的选题动机第17-19页
   ·敌手分类的国内外研究现状第19-23页
     ·脆弱点分析与识别第19-21页
     ·鲁棒性和性能评估第21-22页
     ·鲁棒性分类器设计第22-23页
   ·论文的主要工作及创新点第23-29页
     ·研究阶段与项目支撑第24-25页
     ·本文主要工作第25-27页
     ·本文主要创新点第27-29页
   ·论文的章节安排第29-30页
第二章 课题相关理论和研究进展第30-44页
   ·反垃圾邮件概述第30-35页
     ·垃圾邮件当前热点第30-32页
     ·垃圾邮件定义第32-34页
     ·反垃圾邮件方法评述第34-35页
   ·基于机器学习的垃圾邮件过滤第35-38页
     ·应用现状第35-36页
     ·发展方向第36页
     ·性能评估指标第36-38页
   ·敌手分类研究第38-42页
     ·应用现状第38-40页
     ·公开问题第40-41页
     ·指导准则第41-42页
   ·垃圾邮件经济学简介第42-43页
   ·本章小结第43-44页
第三章 基于STACKELBERG 博弈的敌手分类研究第44-66页
   ·相关研究介绍第44-48页
     ·博弈论介绍第44-47页
     ·敌手分类的博弈研究第47-48页
   ·基于延时STACKELBERG 博弈的敌手分类模型第48-56页
     ·研究背景第48-49页
     ·STACKELBERG 博弈建模第49-50页
     ·敌手分类的博弈模型分析第50-54页
     ·实验结果与分析第54-56页
   ·基于不确定性STACKELBERG 博弈的敌手分类模型第56-64页
     ·研究背景第56-57页
     ·STACKELBERG 博弈不确定性建模第57-59页
     ·敌手分类的不确定性建模第59-62页
     ·实验结果和分析第62-64页
   ·本章小结第64-66页
第四章 抗好词攻击的中文垃圾邮件过滤研究第66-77页
   ·相关研究第66-69页
     ·多示例学习机制第67页
     ·抗好词攻击的敌手分类第67-68页
     ·中文垃圾邮件过滤第68-69页
   ·抗好词攻击的多示例逻辑回归模型第69-72页
     ·多示例学习机制第69-70页
     ·多示例逻辑回归模型第70-72页
     ·好词攻击的形式化第72页
   ·实验设计与结果分析第72-75页
     ·中文邮件数据集第72-73页
     ·预处理方法第73页
     ·实验结果与分析第73-75页
   ·本章小结第75-77页
第五章 基于KOLMOGOROV 复杂性的鲁棒性分类研究第77-100页
   ·KOLMOGOROV 复杂性综述第77-80页
     ·基本概念第77-78页
     ·KOLMOGOROV 复杂性估计第78-79页
     ·在垃圾邮件过滤中的应用研究第79-80页
     ·未来研究方向第80页
   ·垃圾图像分类模型第80-85页
     ·相关研究第80-82页
     ·垃圾图像分类模型第82-83页
     ·实验设计与结果分析第83-85页
   ·恶意软件检测框架第85-93页
     ·相关研究第85-87页
     ·通用分类框架设计第87-90页
     ·实验设计与结果分析第90-93页
   ·更新算法的安全性分析第93-98页
     ·相关研究第93-94页
     ·学习模型和在线更新机制第94-96页
     ·安全性分析第96-98页
   ·本章小结第98-100页
第六章 总结与展望第100-105页
   ·全文总结第100-103页
   ·未来工作展望第103-105页
致谢第105-107页
参考文献第107-118页
攻博期间取得的研究成果第118-120页

论文共120页,点击 下载论文
上一篇:在线广告网络的评估与优化
下一篇:安全协议形式化分析方法的关键技术研究