| 摘要 | 第1-6页 |
| ABSTRACT | 第6-8页 |
| 目录 | 第8-10页 |
| 图表目录 | 第10-12页 |
| 第一章 引言 | 第12-18页 |
| ·论文的背景 | 第12-13页 |
| ·支持向量机发展与现状 | 第13-14页 |
| ·入侵检测的发展与现状 | 第14-15页 |
| ·本文的主要内容及结构安排 | 第15-18页 |
| ·本文的主要研究内容及意义 | 第15-16页 |
| ·本文的结构安排 | 第16-18页 |
| 第二章 入侵检测概述 | 第18-24页 |
| ·入侵检测基本结构 | 第18-19页 |
| ·入侵检测的分类 | 第19-20页 |
| ·入侵检测技术及发展趋势 | 第20-24页 |
| 第三章 支持向量机理论 | 第24-32页 |
| ·机器学习 | 第24-25页 |
| ·机器学习的基本问题 | 第24-25页 |
| ·经验风险最小化 | 第25页 |
| ·复杂性和推广能力 | 第25页 |
| ·统计学习理论 | 第25-27页 |
| ·VC维 | 第26页 |
| ·推广性的界 | 第26-27页 |
| ·结构风险最小化 | 第27页 |
| ·支持向量机 | 第27-32页 |
| ·最优分类面和支持向量 | 第28-30页 |
| ·支持向量机的概念 | 第30-31页 |
| ·内积核函数 | 第31-32页 |
| 第四章 类和样本加权支持向量机 | 第32-40页 |
| ·C-SVM算法介绍 | 第32-34页 |
| ·C-SVM算法性能分析 | 第34-36页 |
| ·类和样本加权支持向量机 | 第36-40页 |
| 第五章 CSWC-SVM在入侵检测中的应用 | 第40-62页 |
| ·KDDcup99数据集介绍 | 第40-43页 |
| ·原始数据的预处理 | 第43-45页 |
| ·基于CSWC-SVM的性能实验过程及结果 | 第45-57页 |
| ·实验数据集的选择及Libsvm主要函数使用 | 第45-46页 |
| ·实验过程及结果分析 | 第46-57页 |
| ·基于CSWC-SVM入侵检测系统的模型 | 第57-62页 |
| ·基于CSWC-SVM入侵检测系统的思想 | 第58页 |
| ·基于CSWC-SVM入侵检测系统的模型 | 第58-62页 |
| 第六章 结论展望 | 第62-64页 |
| 致谢 | 第64-65页 |
| 参考文献 | 第65-69页 |
| 附录:作者在攻读硕士学位期间发表的论文及所受的奖励 | 第69页 |