| 中文摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第一章 绪论 | 第9-15页 |
| 1.1 研究背景和研究意义 | 第9-11页 |
| 1.1.1 研究背景 | 第9-10页 |
| 1.1.2 研究意义 | 第10-11页 |
| 1.2 研究现状 | 第11-13页 |
| 1.3 本文的主要工作 | 第13页 |
| 1.4 本文的组织结构 | 第13-15页 |
| 第二章 特征选择算法及其在入侵检测中的应用 | 第15-19页 |
| 2.1 特征选择理论基础 | 第15-16页 |
| 2.1.1 特征选择的目的 | 第15页 |
| 2.1.2 特征选择一般过程 | 第15-16页 |
| 2.2 特征选择搜索算法和评价标准 | 第16-18页 |
| 2.2.1 特征选择搜索算法 | 第16-17页 |
| 2.2.2 特征选择评价函数及准则 | 第17-18页 |
| 2.3 特征选择在入侵检测中的应用 | 第18页 |
| 2.4 本章小结 | 第18-19页 |
| 第三章 集成学习基础及框架选取 | 第19-26页 |
| 3.1 集成学习理论基础 | 第19-20页 |
| 3.2 集成学习模型形成过程 | 第20-21页 |
| 3.2.1 差异性个体学习器构造 | 第20页 |
| 3.2.2 集成学习结合策略 | 第20-21页 |
| 3.3 集成学习框架选取 | 第21-25页 |
| 3.3.1 Boosting | 第22-23页 |
| 3.3.2 Bagging | 第23-24页 |
| 3.3.3 Stacking | 第24-25页 |
| 3.3.4 集成学习框架的选取 | 第25页 |
| 3.4 本章小结 | 第25-26页 |
| 第四章 实验数据集选取及预处理 | 第26-33页 |
| 4.1 KDDCUP99数据集概况 | 第26页 |
| 4.2 数据集结构分析 | 第26-31页 |
| 4.3 数据集预处理 | 第31-32页 |
| 4.4 本章小结 | 第32-33页 |
| 第五章 特征选择辅助的基于集成学习的入侵检测模型设计 | 第33-41页 |
| 5.1 个体学习器的选取 | 第33-37页 |
| 5.1.1 Random Committee-RandomTree | 第34-35页 |
| 5.1.2 贝叶斯置信网络 | 第35-37页 |
| 5.2 特征选择算法的选择 | 第37-39页 |
| 5.2.1 基于信息增益的特征选择算法 | 第38-39页 |
| 5.3 入侵检测模型构建 | 第39-40页 |
| 5.4 本章小结 | 第40-41页 |
| 第六章 实验仿真及结果分析 | 第41-51页 |
| 6.1 实验环境 | 第41页 |
| 6.1.1 硬件环境 | 第41页 |
| 6.1.2 软件环境 | 第41页 |
| 6.2 实验评价参数 | 第41-42页 |
| 6.3 实验仿真及结果分析 | 第42-50页 |
| 6.3.1 基于集成学习入侵检测模型实验仿真 | 第42-48页 |
| 6.3.2 特征选择辅助的基于集成学习的入侵检测模型实验仿真 | 第48-50页 |
| 6.4 本章小结 | 第50-51页 |
| 第七章 总结与展望 | 第51-53页 |
| 7.1 本文总结 | 第51-52页 |
| 7.2 工作展望 | 第52-53页 |
| 参考文献 | 第53-56页 |
| 在学期间的研究成果 | 第56-57页 |
| 致谢 | 第57页 |
