| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-14页 |
| 1.1 论文研究背景和意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-12页 |
| 1.3 论文主要研究内容 | 第12页 |
| 1.4 论文组织结构 | 第12-14页 |
| 第二章 入侵检测技术与数据挖掘技术 | 第14-26页 |
| 2.1 入侵检测综述 | 第14-15页 |
| 2.2 入侵检测系统模型 | 第15-16页 |
| 2.3 入侵检测技术分类 | 第16-19页 |
| 2.3.1 基于主机的入侵检测系统 | 第17页 |
| 2.3.2 基于网络的入侵检测系统 | 第17页 |
| 2.3.3 混合分布式入侵检测 | 第17-18页 |
| 2.3.4 误用入侵检测 | 第18-19页 |
| 2.3.5 异常入侵检测 | 第19页 |
| 2.4 数据挖掘的概念 | 第19-20页 |
| 2.5 数据挖掘过程 | 第20-21页 |
| 2.6 数据挖掘主要分析方法 | 第21-25页 |
| 2.6.1 分类分析 | 第21-22页 |
| 2.6.2 聚类分析 | 第22-23页 |
| 2.6.3 关联规则 | 第23-24页 |
| 2.6.4 序列模式挖掘 | 第24页 |
| 2.6.5 决策树 | 第24-25页 |
| 2.6.6 预测 | 第25页 |
| 2.7 本章小结 | 第25-26页 |
| 第三章 数据挖掘在入侵检测中的应用 | 第26-50页 |
| 3.1 基于SVM的入侵检测系统 | 第26-30页 |
| 3.1.1 SVM算法简介 | 第26-29页 |
| 3.1.2 SVM IDS模型 | 第29-30页 |
| 3.2 基于K-MEANS的入侵检测系统 | 第30-32页 |
| 3.2.1 K-MEANS算法简介 | 第30-31页 |
| 3.2.2 K-MEANS IDS模型 | 第31-32页 |
| 3.3 K-MEANS的不足与改进 | 第32-35页 |
| 3.4 基于关联规则的入侵检测系统 | 第35-36页 |
| 3.5 APRIORI算法的不足与改进 | 第36-42页 |
| 3.5.1 FP-GROWTH算法 | 第37-41页 |
| 3.5.2 基于APRIORI和FP-GROWTH的改进算法 | 第41-42页 |
| 3.6 实验分析 | 第42-48页 |
| 3.6.1 KDDCUP99数据集背景 | 第43-44页 |
| 3.6.2 数据预处理 | 第44页 |
| 3.6.3 实验结果分析 | 第44-48页 |
| 3.7 本章小结 | 第48-50页 |
| 第四章 基于STORM的实时入侵检测系统 | 第50-65页 |
| 4.1 SNORT入侵检测系统模型 | 第50-51页 |
| 4.2 基于STORM的扩展SNORT系统模型 | 第51-56页 |
| 4.3 系统实现 | 第56-61页 |
| 4.3.1 LOGTAIL2SCRIBE组件 | 第56-57页 |
| 4.3.2 SCRIBE2KAFKA组件 | 第57-59页 |
| 4.3.3 STORM组件 | 第59-61页 |
| 4.4 系统测试 | 第61-64页 |
| 4.4.1 实验环境 | 第61-62页 |
| 4.4.2 实验过程及目标 | 第62-63页 |
| 4.4.3 实验结果分析 | 第63-64页 |
| 4.5 本章小结 | 第64-65页 |
| 第五章 总结与展望 | 第65-67页 |
| 5.1 工作总结 | 第65页 |
| 5.2 今后的研究工作 | 第65-67页 |
| 致谢 | 第67-68页 |
| 参考文献 | 第68-71页 |