| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-16页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-14页 |
| 1.2.1 研究动态 | 第11-12页 |
| 1.2.2 研究成果 | 第12-14页 |
| 1.3 研究内容和目标 | 第14-15页 |
| 1.4 论文组织架构 | 第15-16页 |
| 第二章 基础理论概述 | 第16-32页 |
| 2.1 支持向量机 | 第16-21页 |
| 2.1.1 支持向量机的论述 | 第16-17页 |
| 2.1.2 支持向量机的基本原理 | 第17-21页 |
| 2.2 支持向量机模型参数 | 第21-24页 |
| 2.2.1 核函数参数 | 第21-22页 |
| 2.2.2 惩罚参数 | 第22页 |
| 2.2.3 支持向量机参数的评价 | 第22-24页 |
| 2.3 特征分析技术 | 第24-27页 |
| 2.4 人工蜂群算法 | 第27-30页 |
| 2.4.1 人工蜂群算法的研究现状及优点 | 第27-28页 |
| 2.4.2 人工蜂群算法简介 | 第28-30页 |
| 2.5 本章小结 | 第30-32页 |
| 第三章 基于人工蜂群算法和支持向量机的优化算法 | 第32-42页 |
| 3.1 人工蜂群算法的改进 | 第32-35页 |
| 3.1.1 蜜源个体的设计 | 第32-33页 |
| 3.1.2 人工蜂群算法生成随机种群的改进 | 第33-34页 |
| 3.1.3 人工蜂群算法邻域搜索的改进 | 第34-35页 |
| 3.1.4 基于特征选择和SVM参数的适应度函数选取 | 第35页 |
| 3.2 人工蜂群算法和支持向量机的联合 | 第35-38页 |
| 3.2.1 人工蜂群算法和交叉验证法的联合 | 第35-37页 |
| 3.2.2 人工蜂群算法进行特征选择和SVM模型参数的优化 | 第37-38页 |
| 3.3 基于人工蜂群算法和SVM优化算法的模型概述 | 第38-40页 |
| 3.4 本章小结 | 第40-42页 |
| 第四章 ABC-SVM在入侵检测中的应用 | 第42-58页 |
| 4.1 入侵检测系统通用架构 | 第42-43页 |
| 4.2 入侵数据集的分析 | 第43-45页 |
| 4.3 数据预处理 | 第45-50页 |
| 4.3.1 数据格式编码 | 第45-48页 |
| 4.3.2 数据归一化 | 第48-50页 |
| 4.4 基于ABC-SVM分类模型的设计和实现 | 第50-57页 |
| 4.4.1 基于ABC-SVM入侵检测模块的功能设计 | 第50-51页 |
| 4.4.2 特征选取和参数优化的实现 | 第51-57页 |
| 4.5 本章小结 | 第57-58页 |
| 第五章 实验测试和分析 | 第58-70页 |
| 5.1 实验环境和数据集 | 第58-60页 |
| 5.1.1 测试环境 | 第58页 |
| 5.1.2 实验数据 | 第58-60页 |
| 5.2 数据预处理 | 第60-62页 |
| 5.2.1 离散特征数据 | 第60-61页 |
| 5.2.2 归一化 | 第61-62页 |
| 5.3 实验结果分析 | 第62-69页 |
| 5.3.1 实验数据样本 | 第62页 |
| 5.3.2 实验结果对比和分析 | 第62-69页 |
| 5.4 本章小结 | 第69-70页 |
| 第六章 总结与展望 | 第70-72页 |
| 6.1 工作总结 | 第70-71页 |
| 6.2 工作展望 | 第71-72页 |
| 参考文献 | 第72-76页 |
| 致谢 | 第76页 |
