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

基于深度学习的入侵检测研究

摘要第6-7页
ABSTRACT第7-8页
符号对照表第12-13页
缩略语对照表第13-17页
第一章 绪论第17-23页
    1.1 课题背景及意义第17-19页
    1.2 国内外研究现状第19-21页
        1.2.1 入侵检测技术研究现状第19-20页
        1.2.2 深度学习技术研究现状第20-21页
    1.3 本文主要研究内容第21-22页
    1.4 本文组织结构第22-23页
第二章 入侵检测相关技术第23-33页
    2.1 入侵检测基本概念第23-24页
    2.2 入侵检测数据源第24页
    2.3 入侵检测系统的分类第24-29页
        2.3.1 基于主机IDS和基于网络IDS第25-26页
        2.3.2 误用检测和异常检测第26-29页
    2.4 入侵检测系统不足和发展趋势第29-31页
        2.4.1 入侵检测系统不足第29-30页
        2.4.2 入侵检测系统的发展趋势第30-31页
    2.5 本章小结第31-33页
第三章 深度学习相关技术第33-41页
    3.1 机器学习相关概念第33-34页
    3.2 常用的深度学习模型第34-39页
        3.2.1 自动编码器第34-35页
        3.2.2 循环神经网络第35-36页
        3.2.3 卷积神经网络第36-37页
        3.2.4 深度信念网络第37-39页
    3.3 本章小结第39-41页
第四章 基于DBN的特征学习算法研究第41-61页
    4.1 传统的特征学习算法第41-42页
        4.1.1 PCA方法第41-42页
        4.1.2 信息增益第42页
    4.2 DBN算法基础第42-48页
        4.2.1 反向传播算法第42-44页
        4.2.2 受限玻尔兹曼机第44-48页
    4.3 基于DBN的特征学习算法第48-50页
    4.4 实验与结果分析第50-59页
        4.4.1 实验环境介绍第50页
        4.4.2 实验数据集介绍第50-53页
        4.4.3 实验数据预处理第53-54页
        4.4.4 实验评价指标第54-55页
        4.4.5 DBN特征表示模型参数研究第55-58页
        4.4.6 DBN和传统的特征学习方法的实验对比第58-59页
    4.5 本章小结第59-61页
第五章 基于TSVM的多类分类算法研究第61-73页
    5.1 支持向量机SVM第61-64页
        5.1.1 线性SVM算法第61-63页
        5.1.2 非线性SVM第63-64页
    5.2 对支持向量机TSVM第64-66页
        5.2.1 线性TSVM第64-65页
        5.2.2 非线性TSVM第65-66页
    5.3 SVM和TSVM分类的算法对比分析第66-67页
    5.4 基于TSVM的多类分类算法第67-69页
        5.4.1 PBT-TSVM算法第67-69页
        5.4.2 算法复杂度分析第69页
    5.5 实验与结果分析第69-71页
    5.6 本章小结第71-73页
第六章 基于深度学习的混合入侵检测模型DBN-PBT-TSVM第73-81页
    6.1 入侵检测系统的常用模型第73-74页
        6.1.1 Denning入侵检测模型第73-74页
        6.1.2 CIDF入侵检测模型第74页
    6.2 基于DBN和TSVM的混合入侵检测模型第74-77页
        6.2.1 网络采集模块第75页
        6.2.2 数据预处理模块第75-76页
        6.2.3 基于DBN和TSVM的混合异常处理模块第76页
        6.2.4 响应模块第76-77页
    6.3 实验与结果分析第77-80页
    6.4 本章小结第80-81页
第七章 总结与展望第81-83页
    7.1 论文的主要工作总结第81-82页
    7.2 下一步展望第82-83页
参考文献第83-87页
致谢第87-89页
作者简介第89-90页

论文共90页,点击 下载论文
上一篇:基于SMT的实时系统可诊断性研究
下一篇:基于人工神经网络的蛋白质编码区识别