基于机器学习的异常流量检测系统研究
| 摘要 | 第1-5页 |
| ABSTRACT | 第5-9页 |
| 第一章 绪论 | 第9-14页 |
| ·研究背景及意义 | 第9页 |
| ·网络异常检测的研究现状 | 第9-11页 |
| ·支持向量机的研究现状 | 第11-12页 |
| ·论文工作内容和组织结构 | 第12-14页 |
| 第二章 支持向量机算法概述 | 第14-27页 |
| ·统计学习理论概述 | 第14-17页 |
| ·经验风险最小化原则 | 第14-15页 |
| ·学习过程的一致性及其条件 | 第15-16页 |
| ·VC维 | 第16页 |
| ·结构风险最小化原则 | 第16-17页 |
| ·支持向量机概述 | 第17-22页 |
| ·最大边缘超平面 | 第18-19页 |
| ·线性可分问题 | 第19-20页 |
| ·支持向量 | 第20页 |
| ·非线性可分问题 | 第20-21页 |
| ·核函数 | 第21-22页 |
| ·支持向量机的变形算法简介 | 第22-26页 |
| ·C-SVM | 第22页 |
| ·BSVC | 第22-23页 |
| ·LS-SVM | 第23-24页 |
| ·PSVC | 第24-25页 |
| ·v-SVM | 第25-26页 |
| ·本章小结 | 第26-27页 |
| 第三章 基于支持向量机的网络异常流量检测系统设计 | 第27-37页 |
| ·入侵检测系统概述 | 第27-30页 |
| ·入侵检测系统的基本架构 | 第27-28页 |
| ·入侵检测系统的分类 | 第28-29页 |
| ·入侵检测系统的研究特征 | 第29-30页 |
| ·多分类支持向量机的检测方法 | 第30-33页 |
| ·应用支持向量机的可行性分析 | 第30-31页 |
| ·多分类支持向量机的构造方法 | 第31-33页 |
| ·检测系统架构 | 第33-35页 |
| ·总体架构及流程 | 第33-34页 |
| ·各组件详细说明 | 第34-35页 |
| ·本章小结 | 第35-37页 |
| 第四章 基于信息熵的特征选择研究 | 第37-49页 |
| ·特征选择理论研究 | 第37-41页 |
| ·研究现状 | 第37-38页 |
| ·信息熵以及熵的估计 | 第38-39页 |
| ·基于信息熵的特征选择算法研究 | 第39-41页 |
| ·实验数据 | 第41-46页 |
| ·数据说明 | 第41-44页 |
| ·数据预处理 | 第44-46页 |
| ·实验比较 | 第46-48页 |
| ·本章小结 | 第48-49页 |
| 第五章 基于核函数的异常流量检测研究 | 第49-58页 |
| ·基于核函数的对比实验 | 第49-52页 |
| ·核函数的选择 | 第49-51页 |
| ·参数的选择 | 第51-52页 |
| ·分析RBF核函数的优势 | 第52页 |
| ·核函数的研究 | 第52-55页 |
| ·核函数基本性质和构造核函数 | 第52-53页 |
| ·改进RBF核函数 | 第53-55页 |
| ·基于改进核函数的对比实验 | 第55-57页 |
| ·本章小章 | 第57-58页 |
| 第六章 总结与展望 | 第58-60页 |
| ·全文总结 | 第58页 |
| ·展望 | 第58-60页 |
| 参考文献 | 第60-63页 |
| 致谢 | 第63-64页 |
| 攻读学位期间发表的学术论文 | 第64页 |
