基于支持向量机与主动学习的入侵检测
| 摘要 | 第1-5页 |
| ABSTRACT | 第5-8页 |
| 第一章 绪论 | 第8-14页 |
| ·研究背景与意义 | 第8-10页 |
| ·入侵检测技术的发展历程及研究现状 | 第10-11页 |
| ·支持向量机的研究进展及现状 | 第11-12页 |
| ·本文研究内容 | 第12-14页 |
| 第二章 入侵检测技术 | 第14-22页 |
| ·入侵检测概述 | 第14-15页 |
| ·入侵检测系统分类 | 第15-17页 |
| ·基于数据源分类 | 第15-16页 |
| ·基于检测实时性的分类 | 第16-17页 |
| ·入侵检测方法 | 第17-20页 |
| ·误用检测 | 第17-18页 |
| ·异常检测 | 第18-20页 |
| ·入侵检测的发展趋势 | 第20-21页 |
| ·体系结构演变 | 第20-21页 |
| ·安全性评估 | 第21页 |
| ·本章小结 | 第21-22页 |
| 第三章 基于支持向量机的入侵检测 | 第22-42页 |
| ·引言 | 第22页 |
| ·统计学习理论 | 第22-26页 |
| ·学习问题的表示 | 第22-23页 |
| ·经验风险最小化准则 | 第23-24页 |
| ·VC维与结构风险最小化 | 第24-26页 |
| ·支持向量机算法 | 第26-31页 |
| ·最大间隔分类面 | 第26-28页 |
| ·广义最大间隔分类面 | 第28-29页 |
| ·支持向量机 | 第29-30页 |
| ·支持向量机的训练算法 | 第30-31页 |
| ·支持向量机应用于入侵检测 | 第31-34页 |
| ·入侵检测实验 | 第34-42页 |
| ·实验说明 | 第34-36页 |
| ·检测性能分析 | 第36-42页 |
| 第四章 SVM主动学习算法在入侵检测中的应用 | 第42-56页 |
| ·引言 | 第42页 |
| ·主动学习 | 第42-45页 |
| ·主动学习与被动学习 | 第42-44页 |
| ·主动学习模型 | 第44-45页 |
| ·SVM主动学习算法研究 | 第45-49页 |
| ·基于核聚类的初始训练集构建方法 | 第46-47页 |
| ·概率样本选择策略 | 第47-49页 |
| ·SVM主动学习算法应用于入侵检测 | 第49-50页 |
| ·实验及结果分析 | 第50-56页 |
| ·人工数据实验 | 第50-52页 |
| ·入侵检测实验 | 第52-56页 |
| 第五章 总结与展望 | 第56-58页 |
| 参考文献 | 第58-62页 |
| 致谢 | 第62-63页 |
| 在读期间发表的学术论文与取得的研究成果 | 第63页 |
