| 摘要 | 第1-4页 |
| ABSTRACT | 第4-8页 |
| 第1章 绪论 | 第8-13页 |
| ·选题背景 | 第8-10页 |
| ·研究现状 | 第10-11页 |
| ·本文工作 | 第11-13页 |
| 第2章 入侵检测概述 | 第13-20页 |
| ·入侵检测的定义 | 第13页 |
| ·入侵检测的模型 | 第13-19页 |
| ·误用检测 | 第14-15页 |
| ·异常检测 | 第15-17页 |
| ·其他检测模型 | 第17-19页 |
| ·存在问题 | 第19页 |
| ·本章小结 | 第19-20页 |
| 第3章 基于聚类的入侵检测算法 | 第20-28页 |
| ·聚类概述 | 第20-22页 |
| ·数据间的相似性度量 | 第20-21页 |
| ·类间距离 | 第21-22页 |
| ·主要聚类算法的分类 | 第22-24页 |
| ·划分算法 | 第24-25页 |
| ·K-means 算法 | 第24页 |
| ·K-medoid 算法 | 第24-25页 |
| ·孤立点分析 | 第25-26页 |
| ·传统聚类算法在入侵检测中存在的问题 | 第26-27页 |
| ·本章小结 | 第27-28页 |
| 第4章 基于半监督聚类的入侵检测算法 | 第28-40页 |
| ·半监督学习 | 第28-29页 |
| ·半监督聚类 | 第29-31页 |
| ·问题描述 | 第29-30页 |
| ·Seeded K-means 算法 | 第30页 |
| ·Constrained K-means 算法 | 第30-31页 |
| ·半监督聚类与EM 算法 | 第31-34页 |
| ·模型假设 | 第31-32页 |
| ·EM 算法 | 第32-33页 |
| ·EM 框架下的半监督K-means 算法 | 第33-34页 |
| ·Seeded K-means 与Constrained K-means 的比较 | 第34页 |
| ·基于半监督聚类的入侵检测算法 | 第34-39页 |
| ·未知攻击检测 | 第35-36页 |
| ·ACKID 算法描述 | 第36-39页 |
| ·本章小结 | 第39-40页 |
| 第5章 ACKID 入侵检测算法的评估 | 第40-52页 |
| ·算法性能评估指标 | 第40-43页 |
| ·ROC 曲线分析 | 第40-42页 |
| ·ROC 曲线构建 | 第42-43页 |
| ·数据集 | 第43-46页 |
| ·数据集描述 | 第43-44页 |
| ·网络数据的属性特征分析 | 第44-46页 |
| ·数据预处理 | 第46-47页 |
| ·训练集过滤 | 第46页 |
| ·归一化处理 | 第46-47页 |
| ·实验仿真 | 第47-51页 |
| ·仿真环境 | 第47页 |
| ·仿真结果和分析 | 第47-51页 |
| ·本章小结 | 第51-52页 |
| 结语 | 第52-54页 |
| 论文总结 | 第52页 |
| 工作展望 | 第52-54页 |
| 附录：KDD CUP99 数据集属性特征分类 | 第54-57页 |
| 参考文献 | 第57-61页 |
| 致谢 | 第61页 |