基于属性约简与半监督学习的入侵防御系统研究
| 摘要 | 第1-7页 |
| Abstract | 第7-13页 |
| 第1章 绪论 | 第13-19页 |
| ·研究背景 | 第13-14页 |
| ·国内外研究现状 | 第14-16页 |
| ·本文主要研究意义与内容 | 第16-17页 |
| ·研究意义 | 第16页 |
| ·研究内容及创新点 | 第16-17页 |
| ·本文组织结构 | 第17-19页 |
| 第2章 入侵防御系统 | 第19-27页 |
| ·防火墙 | 第19-20页 |
| ·入侵检测系统 | 第20-23页 |
| ·入侵检测系统工作原理 | 第20-21页 |
| ·入侵检测系统的分类 | 第21-22页 |
| ·入侵检测系统的缺点 | 第22-23页 |
| ·入侵防御系统 | 第23-25页 |
| ·入侵防御系统概念 | 第23-24页 |
| ·入侵防御系统分类 | 第24页 |
| ·入侵防御系统与防火墙、入侵检测系统的关系 | 第24-25页 |
| ·入侵防御系统中的核心问题 | 第25-26页 |
| ·本章小结 | 第26-27页 |
| 第3章 基于粗糙集与量子粒子群优化的属性约简算法 | 第27-35页 |
| ·粗糙集理论知识 | 第27-29页 |
| ·粗糙集的概念 | 第27-28页 |
| ·属性约简 | 第28-29页 |
| ·属性离散化处理 | 第29页 |
| ·量子粒子群优化算法 | 第29-30页 |
| ·编码方法 | 第29页 |
| ·局部最优与全局最优 | 第29-30页 |
| ·粒子位置更新 | 第30页 |
| ·基于粗糙集与量子粒子群优化的属性约简算法 | 第30-33页 |
| ·参数设置 | 第30-31页 |
| ·适应度函数的定义 | 第31-32页 |
| ·算法描述 | 第32-33页 |
| ·本章小结 | 第33-35页 |
| 第4章 基于属性约简与半监督学习的入侵检测算法 | 第35-45页 |
| ·机器学习 | 第35-37页 |
| ·监督学习与无监督学习 | 第35-36页 |
| ·半监督学习及其分类 | 第36-37页 |
| ·协同训练算法 | 第37-39页 |
| ·标准协同训练算法 | 第37-38页 |
| ·Tri-Training 算法 | 第38-39页 |
| ·支持向量机 | 第39-42页 |
| ·统计学习理论 | 第39-40页 |
| ·最优分类超平面 | 第40-41页 |
| ·广义最优分类面 | 第41-42页 |
| ·核函数 | 第42页 |
| ·基于属性约简与协同训练的入侵检测算法 | 第42-44页 |
| ·属性约简与协同训练相结合的思想 | 第42-43页 |
| ·基于属性约简与协同训练的入侵检测算法操作流程 | 第43-44页 |
| ·算法可行性分析 | 第44页 |
| ·本章小结 | 第44-45页 |
| 第5章 实验仿真与结果分析 | 第45-57页 |
| ·实验数据介绍 | 第45-46页 |
| ·属性约简算法 | 第46-51页 |
| ·实验数据选取与预处理 | 第46-48页 |
| ·实验仿真与结果分析 | 第48-51页 |
| ·入侵检测算法 | 第51-55页 |
| ·实验数据选取与预处理 | 第51-52页 |
| ·实验仿真与结果分析 | 第52-55页 |
| ·本章小结 | 第55-57页 |
| 第6章 报警信息处理与入侵防御系统设计 | 第57-65页 |
| ·报警信息处理的研究现状 | 第57页 |
| ·基于信息关联的报警信息处理方法 | 第57-60页 |
| ·格式化报警信息 | 第57页 |
| ·报警事件之间的关系 | 第57-58页 |
| ·基于信息关联的报警信息处理方法 | 第58-60页 |
| ·报警信息处理流程 | 第60页 |
| ·入侵防御系统的架构设计 | 第60-64页 |
| ·入侵防御系统的架构 | 第60-61页 |
| ·防御系统引擎设计 | 第61-63页 |
| ·IPS 的部署 | 第63-64页 |
| ·入侵防御系统的发展趋势 | 第64页 |
| ·本章小结 | 第64-65页 |
| 第7章 总结与展望 | 第65-67页 |
| 参考文献 | 第67-73页 |
| 攻读学位期间发表的学术论文 | 第73-75页 |
| 致谢 | 第75页 |
