| 摘要 | 第1-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪言 | 第7-10页 |
| ·选题依据和意义 | 第7-8页 |
| ·选题依据 | 第7-8页 |
| ·课题的意义 | 第8页 |
| ·研究的内容和目的 | 第8-9页 |
| ·论文的结构和章节安排 | 第9-10页 |
| 第二章 网络安全和网络入侵检测问题概述 | 第10-19页 |
| ·网络安全 | 第10-13页 |
| ·网络安全问题的根源 | 第11-12页 |
| ·网络安全概述 | 第12-13页 |
| ·网络入侵检测概述 | 第13-19页 |
| ·什么是入侵检测 | 第13页 |
| ·为什么需要使用入侵检测系统 | 第13页 |
| ·防火墙的局限性 | 第13-14页 |
| ·入侵检测系统的作用 | 第14-15页 |
| ·入侵检测系统的主要类型 | 第15-19页 |
| 第三章 统计学习理论和支持向量机理论概述 | 第19-31页 |
| ·机器学习 | 第19-21页 |
| ·机器学习的基本问题 | 第21-23页 |
| ·问题的表示 | 第21-22页 |
| ·经验风险最小化 | 第22-23页 |
| ·复杂性与推广能力 | 第23页 |
| ·统计学习理论 | 第23-26页 |
| ·VC维 | 第24页 |
| ·推广性的界 | 第24-25页 |
| ·结构风险最小化 | 第25-26页 |
| ·支持向量机 | 第26-31页 |
| ·广义最优分类面 | 第26-28页 |
| ·支持向量机 | 第28-29页 |
| ·内积核函数 | 第29-31页 |
| 第四章 基于SVM的网络入侵检测模型 | 第31-52页 |
| ·支持向量机应用于入侵检测的可行性 | 第31页 |
| ·基于SVM的网络入侵检测模型 | 第31-33页 |
| ·网络数据采集和数据预处理 | 第33-38页 |
| ·模块简介 | 第33-36页 |
| ·攻击方式简介 | 第36-38页 |
| ·基于SVM的分类器设计 | 第38-48页 |
| ·用于分类的算法介绍 | 第38-44页 |
| ·SVM算法在异构数据集上的推广 | 第44-48页 |
| ·决策响应单元 | 第48-51页 |
| ·响应技术分析 | 第48-51页 |
| ·本章小结 | 第51-52页 |
| 第五章 应用SVM方法的入侵检测实验 | 第52-60页 |
| ·实验数据准备 | 第52-54页 |
| ·DoS和Probing攻击的SVM分类实验 | 第54-56页 |
| ·U2R和R2L攻击的One-Class SVM分类实验 | 第56-59页 |
| ·实验结果比较与分析 | 第59-60页 |
| 第六章 结论与展望 | 第60-61页 |
| 攻读学位期间公开发表的论文 | 第61-62页 |
| 致谢 | 第62-63页 |
| 参考文献 | 第63-66页 |