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 |