| 中文摘要 | 第3-4页 |
| Abstract | 第4页 |
| 第一章 绪论 | 第8-14页 |
| 1.1 研究背景及意义 | 第8-10页 |
| 1.1.1 研究背景及意义 | 第8页 |
| 1.1.2 近几年国内网络安全走势及分析 | 第8-10页 |
| 1.1.3 研究意义 | 第10页 |
| 1.2 研究现状 | 第10-11页 |
| 1.2.1 国外研究现状 | 第10-11页 |
| 1.2.2 国内研究现状 | 第11页 |
| 1.3 研究目标 | 第11-12页 |
| 1.4 论文结构 | 第12-14页 |
| 第二章 入侵检测 | 第14-21页 |
| 2.1 入侵检测技术概述 | 第14-15页 |
| 2.1.1 相关概念 | 第14页 |
| 2.1.2 分类及其检测方法 | 第14-15页 |
| 2.2 入侵检测系统概述 | 第15-18页 |
| 2.2.1 通用模型 | 第15-16页 |
| 2.2.2 工作原理 | 第16页 |
| 2.2.3 体系结构 | 第16-18页 |
| 2.3 当前入侵检测存在问题及发展前景 | 第18-20页 |
| 2.3.1 存在问题 | 第18-19页 |
| 2.3.2 发展前景 | 第19-20页 |
| 2.4 本章小结 | 第20-21页 |
| 第三章 粒子群优化神经网络应用于入侵检测的研究 | 第21-32页 |
| 3.1 神经网络 | 第21-24页 |
| 3.1.1 人工神经网络简介 | 第21-22页 |
| 3.1.2 BP神经网络简介 | 第22页 |
| 3.1.3 BP神经网络算法实现 | 第22-24页 |
| 3.2 粒子群优化算法 | 第24-26页 |
| 3.3 粒子群优化神经网络 | 第26-29页 |
| 3.3.1 粒子群优化神经网络简介 | 第26-28页 |
| 3.3.2 粒子群优化神经网络的不足与改进模型 | 第28-29页 |
| 3.4 粒子群优化的神经网络应用于入侵检测 | 第29-31页 |
| 3.4.1 粒子群优化神经网络入侵检测概述 | 第29页 |
| 3.4.2 粒子群优化神经网络入侵检测的优点 | 第29-30页 |
| 3.4.3 粒子群优化神经网络入侵检测的性能影响参数 | 第30-31页 |
| 3.5 本章小结 | 第31-32页 |
| 第四章 基于拉普拉斯降维和改进PSO-BP结合的入侵检测模型 | 第32-41页 |
| 4.1 拉普拉斯降维算法 | 第32-35页 |
| 4.1.1 流形学习 | 第32页 |
| 4.1.2 拉普拉斯特征映射简介及降维算法 | 第32-33页 |
| 4.1.3 拉普拉斯降维的优点 | 第33-34页 |
| 4.1.4 拉普拉斯降维的性能影响参数 | 第34-35页 |
| 4.2 基于拉普拉斯降维和改进PSO-BP结合的入侵检测模型设计 | 第35-40页 |
| 4.2.1 模型设计目标 | 第35页 |
| 4.2.2 模型总体设计流程图 | 第35-36页 |
| 4.2.3 预处理模块 | 第36-37页 |
| 4.2.4 拉普拉斯降维模块 | 第37-38页 |
| 4.2.5 入侵检测模块 | 第38-39页 |
| 4.2.6 告警模块 | 第39-40页 |
| 4.3 入侵检测模型性能评价指标 | 第40页 |
| 4.4 本章小结 | 第40-41页 |
| 第五章 模型仿真实验与结果分析对比 | 第41-65页 |
| 5.1 KDD-Cup 1999 数据集 | 第41-46页 |
| 5.1.1 数据集简介 | 第41-42页 |
| 5.1.2 数据集预处理 | 第42-46页 |
| 5.2 模型仿真实验准备工作 | 第46-48页 |
| 5.2.1 实验环境 | 第46页 |
| 5.2.2 实验方案 | 第46-48页 |
| 5.3 模型仿真实验及结果分析 | 第48-59页 |
| 5.4 实验对比 | 第59-64页 |
| 5.4.1 与改进GA-TS算法优化的BP神经网络入侵检测模型的对比 | 第59-62页 |
| 5.4.2 与H-C4.5-NB和KS-ISVM入侵检测模型的对比 | 第62-64页 |
| 5.5 本章小结 | 第64-65页 |
| 第六章 总结与展望 | 第65-67页 |
| 6.1 总结 | 第65-66页 |
| 6.2 展望 | 第66-67页 |
| 参考文献 | 第67-70页 |
| 在学期间的研究成果 | 第70-71页 |
| 致谢 | 第71页 |
