| 摘要 | 第1-5页 |
| ABSTRACT | 第5-10页 |
| 第一章 绪论 | 第10-17页 |
| ·研究背景和意义 | 第10-14页 |
| ·计算机安全和入侵检测 | 第10-11页 |
| ·免疫系统与网络安全 | 第11-14页 |
| ·本文研究内容和创新点 | 第14-15页 |
| ·本文的组织结构 | 第15-17页 |
| 第二章 研究背景 | 第17-42页 |
| ·概述 | 第17-18页 |
| ·入侵检测系统 | 第18-23页 |
| ·网络攻击 | 第18-19页 |
| ·入侵检测系统综述 | 第19-22页 |
| ·存在的问题和发展方向 | 第22-23页 |
| ·生物免疫系统 | 第23-28页 |
| ·概述 | 第23页 |
| ·生物免疫系统的层次结构 | 第23-26页 |
| ·生物免疫系统的免疫机制 | 第26-27页 |
| ·生物免疫系统的计算特性 | 第27-28页 |
| ·人工免疫系统 | 第28-34页 |
| ·概述 | 第28页 |
| ·否定选择算法 | 第28-30页 |
| ·克隆选择原理 | 第30-32页 |
| ·免疫网络模型 | 第32-34页 |
| ·人工免疫原理在计算机安全中的应用 | 第34-42页 |
| ·概述 | 第34页 |
| ·基于传统算法的研究 | 第34-35页 |
| ·基于否定选择的方法 | 第35-39页 |
| ·基于危险理论的方法 | 第39-41页 |
| ·其他方法 | 第41-42页 |
| 第三章 基于自然免疫和适应性免疫的网络入侵检测模型综述 | 第42-51页 |
| ·概述 | 第42-45页 |
| ·生物免疫系统和入侵检测系统的比较 | 第42页 |
| ·基于免疫原理的入侵检测系统应具备的基本特征 | 第42-43页 |
| ·现有的基于免疫原理的入侵检测系统的缺陷 | 第43-45页 |
| ·模型框架 | 第45-51页 |
| ·简介 | 第45页 |
| ·模型整体结构 | 第45-48页 |
| ·基于自然免疫的检测 | 第48-49页 |
| ·基于适应性免疫的检测 | 第49-50页 |
| ·其他模块 | 第50-51页 |
| 第四章 自然免疫方法:基于证据的检测器的设计与实现 | 第51-67页 |
| ·概述 | 第51-54页 |
| ·组织细胞和自然免疫 | 第51页 |
| ·机体组织:生物学观点 | 第51-53页 |
| ·人工组织 | 第53-54页 |
| ·基于自然免疫和人工组织的检测算法 | 第54-59页 |
| ·算法概述和生物学类比 | 第54-56页 |
| ·检测算法 | 第56-59页 |
| ·实验与结果分析 | 第59-66页 |
| ·KDD Cup 99数据集概述 | 第59-62页 |
| ·实验数据与计算公式 | 第62-64页 |
| ·实验结果与分析 | 第64-66页 |
| ·小结 | 第66-67页 |
| 第五章 适应性免疫方法:基于行为的检测器的设计与实现 | 第67-89页 |
| ·概述 | 第67-71页 |
| ·适应性免疫和入侵检测 | 第67页 |
| ·独特性网络、aiNet和ARIA | 第67-68页 |
| ·ARIA概述 | 第68-69页 |
| ·基于ARIA的入侵检测算法设计 | 第69页 |
| ·无监督的学习和有监督的学习 | 第69-70页 |
| ·基于证据的检测器和基于行为的检测器之间的联系 | 第70-71页 |
| ·基于ARIA的学习和检测算法 | 第71-77页 |
| ·基于ARIA的入侵检测学习算法 | 第71-75页 |
| ·检测算法 | 第75-76页 |
| ·有监督和无监督的学习和检测算法比较 | 第76-77页 |
| ·实验与结果分析 | 第77-88页 |
| ·ARIA对二维数据集的聚类实验 | 第77-82页 |
| ·入侵检测实验数据与计算公式 | 第82-84页 |
| ·实验结果与分析 | 第84-88页 |
| ·小结 | 第88-89页 |
| 第六章 检测器的过滤:使用否定选择算法 | 第89-91页 |
| 第七章 结论 | 第91-93页 |
| 致谢 | 第93-94页 |
| 参考文献 | 第94-100页 |
| 攻硕期间取得的研究成果 | 第100页 |
