| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第1章 绪论 | 第9-17页 |
| 1.1 研究背景及意义 | 第9-11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.3 问题提出 | 第13-14页 |
| 1.4 研究内容 | 第14-15页 |
| 1.5 论文结构 | 第15-17页 |
| 第2章 相关理论 | 第17-23页 |
| 2.1 网络异常定义及原因 | 第17-18页 |
| 2.2 网络异常的分类 | 第18-20页 |
| 2.3 异常检测方法 | 第20-22页 |
| 2.3.1 人工智能方法 | 第20-21页 |
| 2.3.2 数据挖掘方法 | 第21页 |
| 2.3.3 信息熵方法 | 第21-22页 |
| 2.4 本章小结 | 第22-23页 |
| 第3章 网络数据分析及特征选取 | 第23-32页 |
| 3.1 网络流量数据 | 第23-24页 |
| 3.2 网络异常流量数据特征分析 | 第24-27页 |
| 3.3 网络数据特征及指标选取 | 第27-31页 |
| 3.3.1 基于信息熵的特征选取 | 第27-29页 |
| 3.3.2 出入度及单边连接 | 第29-30页 |
| 3.3.3 网络数据特征指标选取 | 第30-31页 |
| 3.4 本章小结 | 第31-32页 |
| 第4章 基于改进二分K-means聚类的训练数据算法 | 第32-39页 |
| 4.1 传统聚类算法 | 第32-35页 |
| 4.1.1 K-means聚类算法 | 第32-34页 |
| 4.1.2 二分K-means聚类算法 | 第34-35页 |
| 4.2 改进的二分K-means聚类算法 | 第35-37页 |
| 4.2.1 改进的二分K-means聚类算法 | 第35-36页 |
| 4.2.2 实验仿真及结果分析 | 第36-37页 |
| 4.3 本章小结 | 第37-39页 |
| 第5章 基于ATCM-KNN的网络异常检测算法 | 第39-48页 |
| 5.1 直推信度机算法及K近邻分类 | 第39-40页 |
| 5.2 TCM-KNN算法 | 第40-42页 |
| 5.3 基于ATCM-KNN的异常检测算法 | 第42-47页 |
| 5.3.1 ATCM-KNN异常检测算法 | 第43-45页 |
| 5.3.2 ATCM-KNN异常检测算法实验 | 第45-47页 |
| 5.4 本章小结 | 第47-48页 |
| 第6章 网络异常检测实验及结果分析 | 第48-57页 |
| 6.1 网络异常检测算法整体设计 | 第48-49页 |
| 6.2 实验数据来源 | 第49-51页 |
| 6.3 实验验证及结果分析 | 第51-56页 |
| 6.3.1 实验步骤 | 第51-52页 |
| 6.3.2 实验结果及分析 | 第52-56页 |
| 6.4 本章小结 | 第56-57页 |
| 第7章 总结与展望 | 第57-60页 |
| 7.1 论文总结 | 第57-58页 |
| 7.2 论文展望 | 第58-60页 |
| 参考文献 | 第60-63页 |
| 攻读学位期间发表的学术论文和研究成果 | 第63-64页 |
| 致谢 | 第64页 |