| 摘要 | 第1-7页 |
| ABSTRACT | 第7-14页 |
| 插图索引 | 第14-16页 |
| 第一章 绪论 | 第16-42页 |
| ·研究背景和意义 | 第16-17页 |
| ·无线传感网络入侵检测系统 | 第17-22页 |
| ·入侵检测技术基础 | 第17-18页 |
| ·无线传感器网络IDS面临的安全威胁 | 第18-19页 |
| ·WSNs入侵检测系统的体系结构 | 第19-22页 |
| ·入侵检测技术分类 | 第22页 |
| ·相关研究现状及分析 | 第22-34页 |
| ·流量预测技术 | 第23-25页 |
| ·统计技术 | 第25-28页 |
| ·基于数据挖掘和计算智能技术的检测 | 第28-33页 |
| ·基于博弈论的异常入侵检测 | 第33页 |
| ·基于免疫的入侵检测技术 | 第33页 |
| ·基于信任模型的动态入侵检测技术 | 第33-34页 |
| ·混合检测技术 | 第34页 |
| ·路由异常检测技术 | 第34页 |
| ·无线传感器网络异常检测技术的分析和比较 | 第34-37页 |
| ·基于统计技术的分析和比较 | 第34-36页 |
| ·基于数据挖掘和计算智能技术的分析和比较 | 第36-37页 |
| ·基于规则检测的分析和比较 | 第37页 |
| ·无线传感器网络入侵检测系统的不足 | 第37-39页 |
| ·系统的自适应能力、自学习能力、鲁棒性较差 | 第38页 |
| ·系统的误检率较高、检测率相对较低 | 第38页 |
| ·入侵检测系统的计算复杂度较大 | 第38-39页 |
| ·本文的主要研究内容和创新点 | 第39页 |
| ·论文安排与组织结构 | 第39-42页 |
| 第二章 基于流量预测的异常入侵检测技术研究 | 第42-53页 |
| ·引言 | 第42页 |
| ·相关研究和存在的问题 | 第42-43页 |
| ·几种典型的网络流量预测模型 | 第43-46页 |
| ·基于自回归滑动平均模型(ARMA)的网络流量预测 | 第43-44页 |
| ·基于混沌时间序列分析的网络流量预测模型 | 第44-45页 |
| ·基于卡尔曼滤波的预测方法 | 第45-46页 |
| ·典型相关分析的理论基础 | 第46-47页 |
| ·基于流量预测和相关系数的异常入侵检测技术研究 | 第47-49页 |
| ·基于窗口的相关系数 | 第47-48页 |
| ·相关系数的检测方法 | 第48-49页 |
| ·实验结果及分析 | 第49-52页 |
| ·实验参数配置 | 第49-50页 |
| ·基于三种预测方法的WSNs节点流量预测 | 第50页 |
| ·相关系数分析 | 第50-51页 |
| ·无线传感器网络入侵检测性能分析 | 第51-52页 |
| ·本章小结 | 第52-53页 |
| 第三章 基于统计分析的异常入侵检测技术 | 第53-68页 |
| ·引言 | 第53页 |
| ·相关工作研究及存在的难点 | 第53-54页 |
| ·统计分析的理论基础 | 第54-63页 |
| ·均值与标准差模型 | 第54-55页 |
| ·卡方检验(Chi-Square Test) | 第55-56页 |
| ·CUSUM算法 | 第56-57页 |
| ·Multi class CUSUM算法 | 第57-58页 |
| ·Multi class CUSUM异常流量检测分析 | 第58-60页 |
| ·Multi class CUSUM算法描述 | 第60页 |
| ·Multi class CUSUM算法条件分析 | 第60-61页 |
| ·Multi-class CUSUM算法的优化方法 | 第61-62页 |
| ·Multi-class CUSUM算法性能分析 | 第62页 |
| ·Multi-class CUSUM 算法性能分析 | 第62-63页 |
| ·仿真实验结果及分析 | 第63-67页 |
| ·参数配置 | 第63-64页 |
| ·CUSUM算法性能分析 | 第64-65页 |
| ·入侵检测性能分析 | 第65-67页 |
| ·本章小结 | 第67-68页 |
| 第四章 安全路由协议中的异常入侵检测技术 | 第68-82页 |
| ·引言 | 第68页 |
| ·相关工作 | 第68-70页 |
| ·安全路由协议设计与实现 | 第70-73页 |
| ·无线传感器网络的体系结构 | 第70-73页 |
| ·无线传感器网络的路由设计 | 第73-79页 |
| ·问题描述 | 第73-76页 |
| ·无线传感器网络的异常检测方法 | 第76-79页 |
| ·仿真及其分析 | 第79-81页 |
| ·仿真环境参数设置 | 第79页 |
| ·实验结果分析 | 第79-81页 |
| ·本章小结 | 第81-82页 |
| 第五章 基于贝叶斯分类方法的异常入侵检测技术 | 第82-101页 |
| ·引言 | 第82页 |
| ·贝叶斯分类方法的理论基础 | 第82-85页 |
| ·贝叶斯风险 | 第83-84页 |
| ·两类分类问题 | 第84页 |
| ·最小误差率分类 | 第84-85页 |
| ·相关工作 | 第85-86页 |
| ·基于贝叶斯网络的分布式检测方案 | 第86-92页 |
| ·无线传感器网络的体系结构 | 第86-87页 |
| ·传感器网络的K最近邻分簇算法 | 第87-89页 |
| ·入侵检测的特征参数选择 | 第89-90页 |
| ·贝叶斯分类方法 | 第90-91页 |
| ·传感器簇头节点的入侵检测方法 | 第91-92页 |
| ·实验结果及分析 | 第92-99页 |
| ·实验参数配置 | 第92-93页 |
| ·无线传感器网络入侵检测规则的构建 | 第93页 |
| ·基于不同数据传输率的性能参数评估 | 第93-95页 |
| ·贝叶斯算法的分类过程 | 第95-97页 |
| ·入侵检测性能分析 | 第97-99页 |
| ·本章小结 | 第99-101页 |
| 第六章 基于智能处理的异常入侵检测技术 | 第101-121页 |
| ·引言 | 第101页 |
| ·相关工作 | 第101-103页 |
| ·入侵检测系统的设计与实现 | 第103-115页 |
| ·聚类算法概述 | 第103-104页 |
| ·k-means算法在入侵检测系统中的应用 | 第104-105页 |
| ·无线传感器网络“同类相近”的原理 | 第105页 |
| ·聚类参数K的计算 | 第105-106页 |
| ·改进的K-means聚类算法 | 第106-107页 |
| ·支持向量机的工作原理 | 第107-109页 |
| ·Multi-class SVM分类方法 | 第109-110页 |
| ·基于聚类的Multi-class SVM分类方法 | 第110-111页 |
| ·Multi-class SVM分类方法的推广性分析 | 第111-114页 |
| ·Multi-class SVM分类方法的计算复杂度分析 | 第114-115页 |
| ·仿真及其分析 | 第115-120页 |
| ·仿真数据 | 第115-116页 |
| ·结果分析 | 第116-120页 |
| ·本章小结 | 第120-121页 |
| 第七章 总结与展望 | 第121-124页 |
| ·工作总结 | 第121-123页 |
| ·下一步的工作展望 | 第123-124页 |
| 参考文献 | 第124-135页 |
| 致谢 | 第135-136页 |
| 攻读博士学位期间主要研究成果 | 第136-137页 |
