| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7-8页 |
| 1 引言 | 第12-22页 |
| 1.1 研究背景及意义 | 第12-13页 |
| 1.1.1 工业控制系统中的信息安全问题 | 第12-13页 |
| 1.1.2 铁路信号系统中的信息安全问题 | 第13页 |
| 1.2 入侵检测技术研究现状 | 第13-17页 |
| 1.2.1 传统信息网络入侵检测研究现状 | 第14-16页 |
| 1.2.2 工控系统上入侵检测技术的研究现状 | 第16-17页 |
| 1.3 入侵检测概述 | 第17-19页 |
| 1.3.1 入侵检测技术的分类 | 第17-18页 |
| 1.3.2 入侵检测系统面临的问题 | 第18-19页 |
| 1.4 论文组织 | 第19-20页 |
| 1.5 本章小结 | 第20-22页 |
| 2 入侵检测研究理论基础 | 第22-30页 |
| 2.1 入侵检测模型 | 第22-23页 |
| 2.2 常用的分类方法 | 第23-24页 |
| 2.3 入侵数据降维方法 | 第24-26页 |
| 2.3.1 特征选择 | 第24-25页 |
| 2.3.2 特征提取 | 第25-26页 |
| 2.4 集成系统概述 | 第26-29页 |
| 2.5 本章小结 | 第29-30页 |
| 3 实验数据与预处理 | 第30-42页 |
| 3.0 数据集的选取分析 | 第30页 |
| 3.1 KDD CUP99数据集介绍 | 第30-31页 |
| 3.2 数据降维 | 第31-35页 |
| 3.2.1 信息增益特征选择 | 第32-33页 |
| 3.2.2 主成分分析特征提取 | 第33-34页 |
| 3.2.3 基于IG-PCA特征降维 | 第34-35页 |
| 3.3 实验数据预处理 | 第35-39页 |
| 3.3.1 特征选择的性能分析 | 第37-39页 |
| 3.3.2 主成分分析结果 | 第39页 |
| 3.4 本章小结 | 第39-42页 |
| 4 入侵检测分类优化算法设计 | 第42-58页 |
| 4.1 BP神经网络分类 | 第42-43页 |
| 4.2 PSO算法优化BP神经网络 | 第43-48页 |
| 4.2.1 粒子群优化算法 | 第43-44页 |
| 4.2.2 粒子群优化BP网络实现过程 | 第44-46页 |
| 4.2.3 基于PSO-BPNN的入侵检测系统的实现 | 第46-48页 |
| 4.3 决策树分类算法设计 | 第48-51页 |
| 4.3.1 决策树剪枝算法 | 第49-50页 |
| 4.3.2 决策树分类的实现过程 | 第50-51页 |
| 4.4 实验分析 | 第51-57页 |
| 4.4.1 分类性能评价指标 | 第51-52页 |
| 4.4.2 实验结果 | 第52-57页 |
| 4.5 本章小结 | 第57-58页 |
| 5 入侵检测集成分类器的设计与实现 | 第58-68页 |
| 5.1 加权投票 | 第58-59页 |
| 5.2 基分类器选择 | 第59-61页 |
| 5.3 集成检测的整体流程设计 | 第61-62页 |
| 5.4 结果与比较 | 第62-64页 |
| 5.5 基于RBC测试子平台的DoS实验环境搭建 | 第64-67页 |
| 5.6 本章小结 | 第67-68页 |
| 6 结论与展望 | 第68-70页 |
| 6.1 结论 | 第68-69页 |
| 6.2 展望 | 第69-70页 |
| 参考文献 | 第70-74页 |
| 图索引 | 第74-75页 |
| 表索引 | 第75-76页 |
| 作者简历及攻读硕士期间取得的研究成果 | 第76-80页 |
| 学位论文数据集 | 第80页 |