| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第一章 绪论 | 第9-14页 |
| 1.1 研究背景与意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-12页 |
| 1.3 本文主要工作 | 第12-13页 |
| 1.4 章节安排 | 第13-14页 |
| 第二章 相关理论研究 | 第14-24页 |
| 2.1 WebShell | 第14-15页 |
| 2.1.1 原理 | 第14-15页 |
| 2.1.2 危害 | 第15页 |
| 2.2 支持向量机 | 第15-18页 |
| 2.2.1 超平面 | 第15-16页 |
| 2.2.2 基本表示 | 第16-18页 |
| 2.3 遗传算法 | 第18-20页 |
| 2.3.1 基本操作 | 第18-20页 |
| 2.3.2 优缺点 | 第20页 |
| 2.4 人工神经网络模型 | 第20-23页 |
| 2.5 本章小结 | 第23-24页 |
| 第三章 基于改进的单类支持向量机的WebShell检测模型 | 第24-37页 |
| 3.1 样本特征 | 第24-27页 |
| 3.2 改进的单类支持向量机 | 第27-30页 |
| 3.3 检测实验 | 第30-36页 |
| 3.3.1 评估标准 | 第30页 |
| 3.3.2 实验数据 | 第30-31页 |
| 3.3.3 实验过程 | 第31-36页 |
| 3.4 本章小结 | 第36-37页 |
| 第四章 基于进化的神经网络WebShell上传方式检测模型 | 第37-47页 |
| 4.1 Web攻击分类 | 第37-38页 |
| 4.2 数据集的可学习性 | 第38-39页 |
| 4.3 进化的神经网络模型 | 第39-41页 |
| 4.4 检测实验 | 第41-46页 |
| 4.4.1 评估标准 | 第41-42页 |
| 4.4.2 实验数据 | 第42-43页 |
| 4.4.4 实验过程 | 第43-46页 |
| 4.5 本章小结 | 第46-47页 |
| 第五章 总结与展望 | 第47-49页 |
| 5.1 总结 | 第47页 |
| 5.2 展望 | 第47-49页 |
| 参考文献 | 第49-53页 |
| 致谢 | 第53-54页 |
| 攻读硕士学位期间科研和发表论文情况 | 第54页 |