| 摘要 | 第4-5页 |
| ABSTRACT | 第5页 |
| 1 绪论 | 第9-18页 |
| 1.1 课题背景与研究意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-16页 |
| 1.2.1 特征匹配 | 第10-12页 |
| 1.2.2 蜜罐技术 | 第12-14页 |
| 1.2.3 机器学习 | 第14-16页 |
| 1.2.4 其他方法 | 第16页 |
| 1.3 本文的研究内容 | 第16页 |
| 1.4 本文的组织结构 | 第16-18页 |
| 2 机器学习基础 | 第18-25页 |
| 2.1 机器学习的基本概述 | 第18-19页 |
| 2.2 常用的分类算法 | 第19-23页 |
| 2.2.1 朴素贝叶斯（Naive-Bayesian） | 第19-20页 |
| 2.2.2 K最近邻算法（K-Nearest-Neighbor，KNN） | 第20-21页 |
| 2.2.3 Logistic回归（Logistic-Regression） | 第21-23页 |
| 2.3 本章小结 | 第23-25页 |
| 3 基于在线学习的恶意网站检测方法 | 第25-42页 |
| 3.1 特征提取 | 第25-30页 |
| 3.1.1 HTML特征 | 第25-26页 |
| 3.1.2 JavaScript特征 | 第26-27页 |
| 3.1.3 URL和主机特征 | 第27-29页 |
| 3.1.4 基于WOE算法的域名注册机构特征提取方法 | 第29-30页 |
| 3.2 在线学习算法 | 第30-36页 |
| 3.2.1 Perceptron算法 | 第31-32页 |
| 3.2.2 CW（Confidence-Weighted）算法 | 第32-33页 |
| 3.2.3 OGD（Online-Gradient-Descent）算法 | 第33-34页 |
| 3.2.4 对OGD算法学习率的改进 | 第34-36页 |
| 3.3 对比实验 | 第36-40页 |
| 3.3.1 实验数据 | 第36-37页 |
| 3.3.2 实验环境 | 第37页 |
| 3.3.3 在线学习算法对比实验 | 第37-39页 |
| 3.3.4 改进OGD学习率后的效果 | 第39-40页 |
| 3.4 本章小结 | 第40-42页 |
| 4 分布式系统设计与实现 | 第42-54页 |
| 4.1 并行策略 | 第42-43页 |
| 4.2 分布式在线学习算法 | 第43-44页 |
| 4.3 系统设计与实现 | 第44-50页 |
| 4.3.1 特征提取模块 | 第45-47页 |
| 4.3.2 在线学习和预测模块 | 第47-49页 |
| 4.3.3 WEB交互模块 | 第49-50页 |
| 4.4 对比实验 | 第50-52页 |
| 4.4.1 实验数据 | 第50页 |
| 4.4.2 实验环境 | 第50页 |
| 4.4.3 采用分布式架构后的效果 | 第50-52页 |
| 4.5 本章小结 | 第52-54页 |
| 5 总结与展望 | 第54-56页 |
| 5.1 全文总结 | 第54-55页 |
| 5.2 展望 | 第55-56页 |
| 致谢 | 第56-58页 |
| 参考文献 | 第58-62页 |
| 个人简历、在学期间发表的学术论文及取得的研究成果 | 第62页 |
