| 摘要 | 第3-5页 |
| ABSTRACT | 第5-6页 |
| 1 绪论 | 第9-17页 |
| 1.1 本文的研究背景 | 第9-11页 |
| 1.2 国内外研究现状 | 第11-15页 |
| 1.2.1 入侵检测的研究现状 | 第11-14页 |
| 1.2.2 选择性集成学习的研究现状 | 第14-15页 |
| 1.3 本文主要的研究内容及意义 | 第15-16页 |
| 1.4 本文的组织结构 | 第16-17页 |
| 2 相关理论概述 | 第17-27页 |
| 2.1 入侵检测概述 | 第17-20页 |
| 2.1.1 入侵检测基本概念 | 第17-18页 |
| 2.1.2 入侵检测分析方法 | 第18-19页 |
| 2.1.3 入侵检测系统的分类 | 第19-20页 |
| 2.2 粗糙集理论概述 | 第20-21页 |
| 2.3 机器学习与集成学习概述 | 第21-27页 |
| 2.3.1 机器学习的定义 | 第21-22页 |
| 2.3.2 机器学习的常用方法 | 第22-25页 |
| 2.3.3 集成学习的概念 | 第25页 |
| 2.3.4 集成学习的主要技术 | 第25-27页 |
| 3 基于依赖决策熵的决策树分类算法 | 第27-37页 |
| 3.1 决策树概述 | 第27-28页 |
| 3.2 基于信息熵的决策树算法及其存在的问题 | 第28页 |
| 3.3 相对决策熵和依赖决策熵 | 第28-32页 |
| 3.4 基于依赖决策熵的决策树分类算法DTDDE | 第32-33页 |
| 3.5 实验及结果分析 | 第33-36页 |
| 3.6 本章小结 | 第36-37页 |
| 4 基于决策树的选择性集成分类算法 | 第37-45页 |
| 4.1 选择性集成概述 | 第37-38页 |
| 4.2 选择性集成学习需要解决的问题 | 第38-39页 |
| 4.3 Q-统计量概念 | 第39-40页 |
| 4.4 基于决策树的选择性集成分类算法SELDT | 第40-41页 |
| 4.5 实验及结果分析 | 第41-44页 |
| 4.6 本章小结 | 第44-45页 |
| 5 基于选择性集成学习的网络入侵检测方法研究 | 第45-55页 |
| 5.1 基于选择性集成的入侵检测研究内容及解决方法 | 第45-46页 |
| 5.1.1 研究内容 | 第45页 |
| 5.1.2 解决方法 | 第45-46页 |
| 5.2 基于正区域的属性约简 | 第46-47页 |
| 5.3 实验数据分析 | 第47-50页 |
| 5.4 实验 | 第50-54页 |
| 5.4.1 数据预处理 | 第50-51页 |
| 5.4.2 属性约简 | 第51-52页 |
| 5.4.3 离散化 | 第52页 |
| 5.4.4 实验步骤和结果 | 第52-54页 |
| 5.5 本章小结 | 第54-55页 |
| 总结 | 第55-57页 |
| 参考文献 | 第57-62页 |
| 致谢 | 第62-63页 |
| 攻读学位期间发表的学术论文 | 第63-65页 |