| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第1章 绪论 | 第8-13页 |
| 1.1 研究背景和意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-11页 |
| 1.3 主要研究内容 | 第11-12页 |
| 1.4 论文的组织架构 | 第12-13页 |
| 第2章 相关理论介绍 | 第13-21页 |
| 2.1 网络入侵检测 | 第13-15页 |
| 2.1.1 入侵检测相关概念 | 第13页 |
| 2.1.2 入侵检测基本步骤 | 第13-14页 |
| 2.1.3 入侵检测相关技术 | 第14-15页 |
| 2.2 分类算法介绍 | 第15-17页 |
| 2.2.1 标准支持向量机算法 | 第15-16页 |
| 2.2.2 最小二乘支持向量机算法 | 第16-17页 |
| 2.3 数据处理平台介绍 | 第17-20页 |
| 2.3.1 分布式文件系统 | 第18页 |
| 2.3.2 YARN资源调度器 | 第18-20页 |
| 2.3.3 Spark分布式计算框架 | 第20页 |
| 2.4 本章小结 | 第20-21页 |
| 第3章 基于改进综合学习粒子群算法的网络入侵检测 | 第21-38页 |
| 3.1 融合反向学习机制的综合学习粒子群算法 | 第21-26页 |
| 3.1.1 反向学习机制 | 第21-22页 |
| 3.1.2 综合学习粒子群算法 | 第22-25页 |
| 3.1.3 本文作出的改进 | 第25-26页 |
| 3.1.4 算法比较 | 第26页 |
| 3.2 基于改进CLPSO算法优化的网络入侵检测模型 | 第26-30页 |
| 3.2.1 模型描述 | 第26-27页 |
| 3.2.2 核函数的选择 | 第27-29页 |
| 3.2.3 将LSSVM应用于多分类 | 第29-30页 |
| 3.3 实验与分析 | 第30-37页 |
| 3.3.1 数据集 | 第30-31页 |
| 3.3.2 数据预处理 | 第31-34页 |
| 3.3.3 评价指标 | 第34-35页 |
| 3.3.4 实验结果 | 第35-37页 |
| 3.4 本章小结 | 第37-38页 |
| 第4章 基于并行化混合粒子群算法的网络入侵检测 | 第38-51页 |
| 4.1 并行化粒子群算法 | 第38-42页 |
| 4.1.1 改进的并行化粒子群算法 | 第39-40页 |
| 4.1.2 收敛性分析 | 第40-42页 |
| 4.2 基于并行化混合粒子群算法的网络入侵检测模型 | 第42-46页 |
| 4.2.1 模型描述 | 第43-44页 |
| 4.2.2 Spark处理过程 | 第44-46页 |
| 4.3 实验与分析 | 第46-49页 |
| 4.3.1 实验环境 | 第46页 |
| 4.3.2 并行性验证 | 第46-48页 |
| 4.3.3 实验结果 | 第48-49页 |
| 4.4 本章小结 | 第49-51页 |
| 第5章 总结与展望 | 第51-53页 |
| 5.1 工作总结 | 第51页 |
| 5.2 工作展望 | 第51-53页 |
| 致谢 | 第53-54页 |
| 参考文献 | 第54-58页 |
| 攻读硕士学位期间发表的学术论文 | 第58页 |
| 攻读硕士学位期间获得的荣誉奖项 | 第58-59页 |