基于多类支持向量机的入侵检测系统研究
| 摘要 | 第1-5页 |
| ABSTRACT | 第5-14页 |
| 第一章 绪论 | 第14-21页 |
| ·研究背景及意义 | 第14-15页 |
| ·网络安全面临的威胁 | 第14-15页 |
| ·研究入侵检测的必要性 | 第15页 |
| ·国内外的研究进展及现状 | 第15-19页 |
| ·入侵检测的研究进展及现状 | 第15-17页 |
| ·支持向量机的研究进展及现状 | 第17-19页 |
| ·本文的内容结构 | 第19-21页 |
| 第二章 入侵检测及支持向量机概述 | 第21-35页 |
| ·入侵检测概述 | 第21-27页 |
| ·入侵检测系统的概念，模型及功能 | 第21-22页 |
| ·入侵检测系统的分类 | 第22-24页 |
| ·常用入侵检测技术 | 第24-26页 |
| ·入侵检测存在的问题及发展趋势 | 第26-27页 |
| ·支持向量机概述 | 第27-33页 |
| ·统计学习理论概述 | 第27-29页 |
| ·广义最优分类面 | 第29-30页 |
| ·支持向量机 | 第30-32页 |
| ·内积核函数及KKT 条件 | 第32-33页 |
| ·利用支持向量机进行分类的优点 | 第33页 |
| ·小结 | 第33-35页 |
| 第三章 基于多类支持向量机的入侵检测系统 | 第35-40页 |
| ·支持向量机应用于入侵检测 | 第35页 |
| ·基于多类支持向量机的入侵检测模型 | 第35-36页 |
| ·模型中各主要模块介绍 | 第36-39页 |
| ·数据采集及预处理模块 | 第36-37页 |
| ·样本数据预选取模块 | 第37-38页 |
| ·训练及检测模块 | 第38页 |
| ·增量学习模块 | 第38页 |
| ·响应模块 | 第38-39页 |
| ·小结 | 第39-40页 |
| 第四章 基于聚类和距离比较的样本数据预选取算法 | 第40-50页 |
| ·聚类问题简介 | 第40页 |
| ·现有的数据预选取算法的介绍及分析 | 第40-41页 |
| ·US-PLN 算法描述及分析 | 第41-43页 |
| ·实验结果及分析 | 第43-48页 |
| ·实验数据集描述 | 第43-47页 |
| ·实验数据及参数选择 | 第47-48页 |
| ·结果比较分析 | 第48页 |
| ·小结 | 第48-50页 |
| 第五章 基于双层多类支持向量机的入侵检测方法 | 第50-67页 |
| ·现有的多类SVM 方法分析 | 第50-53页 |
| ·直接构造多类分类器 | 第50页 |
| ·一对多法 | 第50-51页 |
| ·一对一法 | 第51页 |
| ·二叉树法 | 第51-52页 |
| ·有向无环图法 | 第52-53页 |
| ·基于双层多类SVM 方法的入侵检测流程 | 第53-54页 |
| ·第一层SVM 分类器的设计 | 第54-57页 |
| ·第二层SVM 分类器的设计 | 第57-61页 |
| ·实验结果及分析 | 第61-66页 |
| ·双层多类支持向量机方法的定性分析 | 第61-63页 |
| ·双层多类支持向量机方法的定量分析 | 第63-66页 |
| ·小结 | 第66-67页 |
| 第六章 基于聚类分析的增量学习算法 | 第67-74页 |
| ·增量学习过程分析 | 第67-69页 |
| ·现有的增量学习算法分析 | 第69-70页 |
| ·C-ISVM 算法描述及分析 | 第70-72页 |
| ·实验结果及分析 | 第72页 |
| ·实验数据及参数选择 | 第72页 |
| ·结果比较分析 | 第72页 |
| ·小结 | 第72-74页 |
| 第七章 总结与展望 | 第74-76页 |
| ·论文的主要工作及贡献 | 第74-75页 |
| ·对下一步工作的思考 | 第75-76页 |
| 参考文献 | 第76-81页 |
| 致谢 | 第81-82页 |
| 攻读学位期间公开发表的论文 | 第82页 |
