摘要 | 第4-6页 |
ABSTRACT | 第6-8页 |
第一章 绪论 | 第12-24页 |
1.1 研究背景和意义 | 第12-14页 |
1.2 研究和发展现状 | 第14-20页 |
1.2.1 入侵检测技术概述 | 第14-15页 |
1.2.2 告警关联技术概述 | 第15-16页 |
1.2.3 机器学习在入侵检测及告警关联领域应用现状 | 第16-20页 |
1.3 本文研究基本内容 | 第20-21页 |
1.3.1 特征降维相关技术研究 | 第20页 |
1.3.2 数据分类相关技术研究 | 第20-21页 |
1.3.3 异常检测相关技术研究 | 第21页 |
1.3.4 关联分析相关技术研究 | 第21页 |
1.4 论文组织结构 | 第21-24页 |
第二章 相关技术介绍 | 第24-34页 |
2.1 机器学习中的特征降维方法 | 第24-27页 |
2.1.1 粗糙集理论 | 第24-25页 |
2.1.2 主成分分析 | 第25-27页 |
2.2 机器学习增强范式 | 第27-29页 |
2.2.1 集成学习 | 第27-28页 |
2.2.2 半监督学习 | 第28页 |
2.2.3 主动学习 | 第28-29页 |
2.3 统计机器学习方法 | 第29-31页 |
2.3.1 统计学习理论 | 第29-30页 |
2.3.2 支持向量机 | 第30页 |
2.3.3 单分类支持向量机 | 第30-31页 |
2.4 神经网络和遗传编程 | 第31-33页 |
2.4.1 神经网络 | 第31-32页 |
2.4.2 遗传编程 | 第32-33页 |
2.5 本章小结 | 第33-34页 |
第三章 基于区分矩阵和混合核函数的特征降维方法研究 | 第34-50页 |
3.1 相关工作 | 第34-36页 |
3.2 基于区分矩阵和混合核函数的特征降维方法 | 第36-42页 |
3.2.1 数据预处理 | 第36-37页 |
3.2.2 基于区分矩阵和信息熵的特征约简 | 第37-39页 |
3.2.3 基于混合核函数的特征提取 | 第39-42页 |
3.3 实验结果和分析 | 第42-49页 |
3.3.1 实验环境和实验数据 | 第42-44页 |
3.3.2 实验结果分析 | 第44-49页 |
3.4 本章小结 | 第49-50页 |
第四章 基于判决反馈的动态数据流分类方法研究 | 第50-68页 |
4.1 相关工作 | 第50-52页 |
4.2 基于判决反馈方式的动态数据流分类 | 第52-61页 |
4.2.1 基于集成学习模型的未标记数据粗分类 | 第54-56页 |
4.2.2 基于半监督方式的未标记数据精确分类 | 第56-58页 |
4.2.3 集成模型的更新 | 第58-61页 |
4.3 实验结果和分析 | 第61-67页 |
4.3.1 实验环境和实验数据 | 第61-62页 |
4.3.2 实验结果分析 | 第62-67页 |
4.4 本章小结 | 第67-68页 |
第五章 基于扩展单分类支持向量机的异常检测模型研究 | 第68-85页 |
5.1 相关工作 | 第68-70页 |
5.2 基于扩展单分类支持向量机的异常检测方法 | 第70-76页 |
5.2.1 模型初始化 | 第70-71页 |
5.2.2 基于半监督方式的模型扩展方法 | 第71-73页 |
5.2.3 主动学习方法的应用 | 第73-76页 |
5.3 实验结果和分析 | 第76-84页 |
5.3.1 实验环境和实验数据 | 第76-77页 |
5.3.2 实验结果分析 | 第77-84页 |
5.4 本章小结 | 第84-85页 |
第六章 基于神经网络和遗传编程的关联分析方法研究 | 第85-101页 |
6.1 相关工作 | 第85-87页 |
6.2 基于神经网络和遗传编程的关联规则生成方法 | 第87-94页 |
6.2.1 基于神经网络的安全事件分类 | 第89-91页 |
6.2.2 基于遗传编程的关联规则生成 | 第91-94页 |
6.3 实验结果和分析 | 第94-100页 |
6.3.1 实验环境 | 第94-96页 |
6.3.2 实验结果分析 | 第96-100页 |
6.4 本章小结 | 第100-101页 |
第七章 总结和下一步工作 | 第101-104页 |
7.1 论文工作总结 | 第101-103页 |
7.2 未来工作展望 | 第103-104页 |
参考文献 | 第104-116页 |
致谢 | 第116-117页 |
攻读博士学位期间发表的学术论文 | 第117-118页 |
攻读博士学位期间参与的科研项目 | 第118页 |