多维自适应Web异常检测系统研究与实现
| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第10-17页 |
| 1.1 项目背景 | 第10-11页 |
| 1.2 研究现状 | 第11-13页 |
| 1.3 主要工作 | 第13-14页 |
| 1.3.1 研究目标 | 第13-14页 |
| 1.3.2 研究内容 | 第14页 |
| 1.4 研究创新点和关键技术 | 第14-16页 |
| 1.4.1 特征的选取具有多样性 | 第15页 |
| 1.4.2 使用模型融合框架取代单一的分类器 | 第15页 |
| 1.4.3 自适应性 | 第15-16页 |
| 1.5 论文结构 | 第16-17页 |
| 第二章 相关算法介绍 | 第17-26页 |
| 2.1 经典分类算法 | 第17-23页 |
| 2.1.1 k近邻算法 | 第17页 |
| 2.1.2 朴素贝叶斯 | 第17-18页 |
| 2.1.3 Logistic回归 | 第18-19页 |
| 2.1.4 感知机和支持向量机 | 第19-21页 |
| 2.1.5 决策树和随机森林 | 第21页 |
| 2.1.6 GBDT和Xgboost | 第21-23页 |
| 2.2 特征选择 | 第23-24页 |
| 2.3 L1和L2正则 | 第24-25页 |
| 2.4 本章小结 | 第25-26页 |
| 第三章 多维自适应检测系统的总体设计 | 第26-33页 |
| 3.1 系统框架设计 | 第26-28页 |
| 3.2 数据预处理 | 第28-29页 |
| 3.3 构建统计模型 | 第29-30页 |
| 3.4 多维子系统 | 第30页 |
| 3.5 检测模型 | 第30-31页 |
| 3.6 检测阈值与结果反馈 | 第31页 |
| 3.7 本章小结 | 第31-33页 |
| 第四章 多维自适应检测系统的详细设计 | 第33-55页 |
| 4.1 统计模型的设计 | 第33-37页 |
| 4.1.1 分层路径频数列表的设计(HPFL) | 第33-34页 |
| 4.1.2 参数名子集池的设计(BPS) | 第34页 |
| 4.1.3 参数名规则集(PRS) | 第34-35页 |
| 4.1.4 枚举型参数列表(EPS) | 第35-36页 |
| 4.1.5 其他统计量 | 第36-37页 |
| 4.2 多维子系统的设计 | 第37-45页 |
| 4.2.1 路径模型 | 第37-40页 |
| 4.2.2 参数名关联模型 | 第40-41页 |
| 4.2.3 参数值模型 | 第41-45页 |
| 4.3 融合模型的设计 | 第45-53页 |
| 4.3.1 综合检测模型 | 第45-46页 |
| 4.3.2 集成学习 | 第46-47页 |
| 4.3.3 结果融合 | 第47-50页 |
| 4.3.4 融合模型 | 第50-53页 |
| 4.4 缺失值的处理 | 第53-54页 |
| 4.5 本章小结 | 第54-55页 |
| 第五章 实验验证及性能评估 | 第55-85页 |
| 5.1 性能度量 | 第55-57页 |
| 5.1.1 基本数值指标 | 第55-56页 |
| 5.1.2 有偏数值指标 | 第56页 |
| 5.1.3 ROC曲线 | 第56-57页 |
| 5.2 数据集 | 第57-58页 |
| 5.3 单模型验证 | 第58-81页 |
| 5.3.1 kNN | 第60-63页 |
| 5.3.2 Logistic回归 | 第63-65页 |
| 5.3.3 SVM | 第65-67页 |
| 5.3.4 决策树 | 第67-70页 |
| 5.3.5 随机森林 | 第70-77页 |
| 5.3.6 GBDT | 第77-79页 |
| 5.3.7 Xgboost | 第79-80页 |
| 5.3.8 性能汇总 | 第80-81页 |
| 5.4 融合检测验证 | 第81-84页 |
| 5.5 本章小结 | 第84-85页 |
| 第六章 结束语 | 第85-87页 |
| 6.1 论文总结 | 第85页 |
| 6.2 下一步研究工作 | 第85-87页 |
| 参考文献 | 第87-92页 |
| 致谢 | 第92-93页 |
| 攻读学位期间发表的学术论文目录 | 第93页 |
