基于自然邻居的半监督入侵检测算法
| 中文摘要 | 第3-4页 |
| 英文摘要 | 第4-5页 |
| 1 绪论 | 第8-14页 |
| 1.1 研究背景及意义 | 第8-10页 |
| 1.1.1 研究背景 | 第8-9页 |
| 1.1.2 研究意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-11页 |
| 1.2.1 入侵检测研究发展史 | 第10页 |
| 1.2.2 入侵检测研究方向 | 第10-11页 |
| 1.3 本文主要内容 | 第11-14页 |
| 1.3.1 本文主要研究内容 | 第11-12页 |
| 1.3.2 本文结构 | 第12-14页 |
| 2 入侵检测概述 | 第14-24页 |
| 2.1 入侵检测的定义 | 第14页 |
| 2.2 入侵检测系统的基本原理及工作模式 | 第14-16页 |
| 2.2.1 入侵检测系统的处理流程 | 第14-15页 |
| 2.2.2 入侵检测系统的工作模式 | 第15-16页 |
| 2.3 入侵检测系统的分类 | 第16-21页 |
| 2.3.1 根据体系结构分类 | 第16-17页 |
| 2.3.2 根据数据源分类 | 第17-19页 |
| 2.3.3 根据检测技术分类 | 第19-21页 |
| 2.3.4 根据时效性分类 | 第21页 |
| 2.4 入侵检测常用方法模型 | 第21-23页 |
| 2.5 入侵检测系统存在的问题 | 第23页 |
| 2.6 本章小结 | 第23-24页 |
| 3 半监督学习方法 | 第24-30页 |
| 3.1 机器学习 | 第24-26页 |
| 3.1.1 监督学习 | 第24页 |
| 3.1.2 无监督学习 | 第24-25页 |
| 3.1.3 半监督学习 | 第25-26页 |
| 3.2 半监督学习训练方法 | 第26-27页 |
| 3.3 基于k-means的半监督学习 | 第27-29页 |
| 3.3.1 无监督k-means算法 | 第27页 |
| 3.3.2 k-means算法存在的问题 | 第27-28页 |
| 3.3.3 半监督k-means算法 | 第28-29页 |
| 3.4 本章小结 | 第29-30页 |
| 4 基于自然邻居的半监督入侵检测算法 | 第30-44页 |
| 4.1 自然邻居概念 | 第30-37页 |
| 4.1.1 最近邻居 | 第30-31页 |
| 4.1.2 自然邻居 | 第31-37页 |
| 4.2 基于自然邻居的半监督入侵检测算法 | 第37-43页 |
| 4.2.1 带标签数据的基于自然邻居聚类过程 | 第37-40页 |
| 4.2.2 无标签数据的基于自然邻居分类过程 | 第40-42页 |
| 4.2.3 算法描述 | 第42-43页 |
| 4.2.4 已知攻击检测 | 第43页 |
| 4.2.5 未知攻击检测 | 第43页 |
| 4.3 本章小结 | 第43-44页 |
| 5 仿真实验与结果分析 | 第44-52页 |
| 5.1 数据集选取 | 第44-45页 |
| 5.2 数据预处理 | 第45-47页 |
| 5.2.1 数值化 | 第45-46页 |
| 5.2.2 标准化和归一化 | 第46-47页 |
| 5.3 属性特征选择 | 第47-49页 |
| 5.4 实验结果与分析 | 第49-51页 |
| 5.4.1 实验环境 | 第49页 |
| 5.4.2 算法性能评价指标 | 第49页 |
| 5.4.3 实验与分析 | 第49-51页 |
| 5.5 本章小结 | 第51-52页 |
| 6 总结与展望 | 第52-54页 |
| 6.1 论文工作总结 | 第52-53页 |
| 6.2 未来展望 | 第53-54页 |
| 致谢 | 第54-55页 |
| 参考文献 | 第55-58页 |
| 附录 | 第58页 |
| A. 作者在攻读学位期间发表的论文目录 | 第58页 |
| B. 作者在攻读学位期间参与的科研项目目录 | 第58页 |
