| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第7-12页 |
| 1.1 研究背景和意义 | 第7-8页 |
| 1.2 国内外研究现状 | 第8-10页 |
| 1.3 研究目的与主要工作 | 第10页 |
| 1.4 论文组织结构 | 第10-12页 |
| 第二章 相关技术概述 | 第12-20页 |
| 2.1 云计算及虚拟化技术 | 第12-15页 |
| 2.1.1 云计算概述 | 第12-14页 |
| 2.1.2 虚拟化技术 | 第14-15页 |
| 2.2 异常的类型及异常检测技术 | 第15-19页 |
| 2.2.1 异常类型 | 第15-17页 |
| 2.2.2 异常检测的方法 | 第17-18页 |
| 2.2.3 异常检测方法性能评价指标 | 第18-19页 |
| 2.3 本章小结 | 第19-20页 |
| 第三章 云环境下虚拟机异常检测框架设计 | 第20-28页 |
| 3.1 云环境下虚拟机异常检测的挑战 | 第20-21页 |
| 3.2 云环境下虚拟机的运行环境属性和性能属性 | 第21-22页 |
| 3.3 云环境下虚拟机异常检测的总体设计 | 第22-26页 |
| 3.4 云环境下虚拟机异常检测流程 | 第26-27页 |
| 3.5 本章小结 | 第27-28页 |
| 第四章 实时异常检测关键技术研究 | 第28-48页 |
| 4.1 基于核方法的特征提取算法研究 | 第28-36页 |
| 4.1.1 虚拟机性能指标数据特征提取形式化描述 | 第29-30页 |
| 4.1.2 基于主成分分析(PCA)的特征提取算法 | 第30-34页 |
| 4.1.3 基于核方法的核主成分分析(KPCA)的特征提取算法 | 第34-36页 |
| 4.2 基于SVM的实时虚拟机异常检测算法 | 第36-47页 |
| 4.2.1 虚拟机异常检测形式化描述 | 第37页 |
| 4.2.2 SVM的基本原理及SMO算法 | 第37-40页 |
| 4.2.3 基于OnlineLASVM的实时异常检测算法 | 第40-42页 |
| 4.2.4 SVM的参数寻优技术 | 第42-45页 |
| 4.2.5 不平衡样本集的处理技术 | 第45-47页 |
| 4.3 本章小结 | 第47-48页 |
| 第五章 数据获取与实验分析 | 第48-57页 |
| 5.1 实验平台搭建和数据获取 | 第48-51页 |
| 5.1.1 平台搭建 | 第48页 |
| 5.1.2 背景应用 | 第48-49页 |
| 5.1.3 异常注入 | 第49页 |
| 5.1.4 数据获取 | 第49-51页 |
| 5.2 实验及分析 | 第51-56页 |
| 5.2.1 数据降维对比实验分析 | 第51-53页 |
| 5.2.2 异常检测对比实验分析 | 第53-56页 |
| 5.3 本章小结 | 第56-57页 |
| 第六章 总结与展望 | 第57-59页 |
| 6.1 全文总结 | 第57-58页 |
| 6.2 全文展望 | 第58-59页 |
| 致谢 | 第59-60页 |
| 参考文献 | 第60-63页 |
| 附录 | 第63-64页 |
| 图版 | 第64-66页 |
