首页--工业技术论文--自动化技术、计算机技术论文--计算技术、计算机技术论文--计算机的应用论文--计算机网络论文--一般性问题论文

分布式环境下基于机器学习的DDoS攻击检测的研究与实现

摘要第5-7页
ABSTRACT第7-8页
第一章 绪论第12-17页
    1.1 研究背景及意义第12-13页
        1.1.1 研究背景第12页
        1.1.2 研究意义第12-13页
    1.2 研究现状第13-14页
    1.3 论文主要内容第14-15页
    1.4 论文结构安排第15-17页
第二章 相关技术第17-29页
    2.1 DDoS攻击原理第17-21页
        2.1.1 攻击网络带宽资源第17-19页
        2.1.2 攻击系统资源第19-21页
    2.2 DDoS攻击工具第21-22页
    2.3 DDoS攻击检测方法第22-24页
        2.3.1 基于网络流量变化的检测方法第22-23页
        2.3.2 基于地址变化的检测方法第23页
        2.3.3 基于数据包头统计信息的变化第23-24页
    2.4 机器学习与神经网络算法第24-28页
        2.4.1 机器学习第24页
        2.4.2 神经网络算法第24-28页
    2.5 本章小结第28-29页
第三章 基于BP神经网络的DDoS攻击检测模型第29-41页
    3.1 DDoS攻击检测模型第29-30页
        3.1.1 DDoS攻击检测模型的意义第29页
        3.1.2 DDoS攻击检测模型的构建第29-30页
    3.2 DDoS数据包分组规则第30-32页
        3.2.1 ICMP数据包分组第30-31页
        3.2.2 UDP数据包分组第31-32页
        3.2.3 TCP数据包分组第32页
    3.3 DDoS攻击特征分析第32-38页
        3.3.1 ICMP攻击特征分析第32-34页
        3.3.2 UDP攻击特征分析第34-36页
        3.3.3 TCP攻击特征分析第36-38页
    3.4 DDoS攻击检测模型的检测步骤第38-39页
    3.5 本章小结第39-41页
第四章 基于BM-HJ-GSO算法的BP神经网络训练算法第41-55页
    4.1 误差逆传播算法的不足与解决办法第41-42页
        4.1.1 误差逆传播算法的不足第41页
        4.1.2 解决方法第41-42页
    4.2 萤火虫群优化算法及其改进算法BM-HJ-GSO算法第42-48页
        4.2.1 萤火虫群优化算法第42-44页
        4.2.2 BM-HJ-GSO算法第44-47页
        4.2.3 BM-HJ-GSO算法性能测试第47-48页
    4.3 基于BM-HJ-GSO算法的神经网络算法第48-54页
        4.3.1 位置向量设计第49页
        4.3.2 改进BP神经网络训练算法的流程第49-51页
        4.3.3 改进BP神经网络训练算法性能测试第51-54页
    4.4 本章小结第54-55页
第五章 分布式环境下DDoS攻击检测系统设计与实现第55-69页
    5.1 系统架构第55-57页
    5.2 数据采集子系统第57-58页
        5.2.1 触发系统工作第57页
        5.2.2 源数据的获取第57页
        5.2.3 提取关键信息第57-58页
    5.3 HDFS分布式文件系统第58-59页
    5.4 数据处理子系统第59-64页
        5.4.1 数据分组第61-62页
        5.4.2 特征提取第62-64页
    5.5 数据分析子系统第64-68页
        5.5.1 基于BM-HJ-GSO算法的BP神经网络训练算法在Spark上的实现第64-67页
        5.5.2 分布式BP神经网络第67-68页
    5.6 本章小结第68-69页
第六章 系统测试第69-78页
    6.1 实验环境第69-70页
    6.2 数据分析子系统中BP神经网络的训练第70-73页
        6.2.1 数据集的获取第70-72页
        6.2.2 BM-HJ-GSO算法及BP神经网络的参数第72-73页
    6.3 系统测试及结果分析第73-77页
        6.3.1 门限值测试第73-74页
        6.3.2 性能测试第74-77页
    6.4 本章小结第77-78页
第七章 总结与展望第78-80页
    7.1 研究总结第78-79页
    7.2 不足与展望第79-80页
参考文献第80-84页
致谢第84-85页
攻读学位期间取得的研究成果第85页

论文共85页,点击 下载论文
上一篇:SDWSN能效提升算法
下一篇:高阶多智能体系统的分组一致性