| 摘要 | 第3-5页 |
| ABSTRACT | 第5-6页 |
| 符号表和缩略语 | 第9-13页 |
| 1 绪论 | 第13-21页 |
| 1.1 研究背景 | 第13-15页 |
| 1.2 研究内容及意义 | 第15-16页 |
| 1.3 国内外研究现状 | 第16-19页 |
| 1.4 本论文的主要贡献 | 第19-20页 |
| 1.5 论文的组织结构 | 第20-21页 |
| 2 相关技术研究 | 第21-37页 |
| 2.1 可信计算及可信增强技术 | 第21-25页 |
| 2.2 云计算及虚拟化技术 | 第25-29页 |
| 2.3 异常的类型及异常检测技术 | 第29-35页 |
| 2.4 云环境下的异常检测 | 第35-36页 |
| 2.5 本章小结 | 第36-37页 |
| 3 面向可信的虚拟机异常检测框架设计 | 第37-47页 |
| 3.1 引言 | 第37-38页 |
| 3.2 云环境下虚拟机异常检测面临的挑战 | 第38-39页 |
| 3.3 虚拟机异常检测框架设计 | 第39-43页 |
| 3.4 虚拟机的运行环境属性集和性能指标集 | 第43-44页 |
| 3.5 系统假设及说明 | 第44-46页 |
| 3.6 本章小结 | 第46-47页 |
| 4 基于核方法的无监督和有监督特征提取算法研究 | 第47-77页 |
| 4.1 引言 | 第47-48页 |
| 4.2 相关概念、定义和基础知识 | 第48-52页 |
| 4.3 特征提取形式化描述及需要解决的关键问题 | 第52-54页 |
| 4.4 特征提取算法研究 | 第54-76页 |
| 4.4.1 基于主元分析（PCA）的特征提取算法 | 第55-59页 |
| 4.4.2 基于线性判别分析（LDA）的特征提取算法 | 第59-63页 |
| 4.4.3 基于无监督模糊线性判别分析（UFLDA）的特征提取算法 | 第63-66页 |
| 4.4.4 基于无监督模糊核线性判别分析（UFKLDA）的特征提取算法 | 第66-68页 |
| 4.4.5 基于独立元分析（ICA）的特征提取算法 | 第68-73页 |
| 4.4.6 基于有监督核独立元分析（SKICA）的特征提取算法 | 第73-76页 |
| 4.5 本章小结 | 第76-77页 |
| 5 基于SVM的虚拟机异常检测算法研究 | 第77-113页 |
| 5.1 引言 | 第77-79页 |
| 5.2 异常检测形式化描述及需要解决的关键问题 | 第79-80页 |
| 5.3 两种基本的支持向量机（SVM）异常检测算法 | 第80-89页 |
| 5.3.1 SVM的基本思想 | 第81-82页 |
| 5.3.2 两种基本的SVM异常检测算法（C-SVM和OCSVM） | 第82-89页 |
| 5.4 基于SVM的特征选择算法 | 第89-91页 |
| 5.5 异常检测关键问题的解决方法 | 第91-107页 |
| 5.5.1 多种异常类型的检测－基于多类SVM的异常检测算法 | 第91-96页 |
| 5.5.2 不平衡训练样本集的处理－基于不平衡SVM的异常检测算法 | 第96-100页 |
| 5.5.3 训练样本实时增加的处理－基于在线学习SVM的异常检测算法 | 第100-107页 |
| 5.6 SVM参数寻优技术 | 第107-108页 |
| 5.7 异常检测策略设计 | 第108-111页 |
| 5.8 本章小结 | 第111-113页 |
| 6 数据集获取与实验分析 | 第113-133页 |
| 6.1 虚拟机性能指标集及实验分析 | 第113-117页 |
| 6.2 实验所采用的数据集 | 第117-119页 |
| 6.3 实验与分析 | 第119-132页 |
| 6.3.1 特征提取算法实验及分析 | 第119-126页 |
| 6.3.2 特征提取与特征选择算法对比实验及分析 | 第126-128页 |
| 6.3.3 异常检测算法实验及分析 | 第128-132页 |
| 6.4 本章小结 | 第132-133页 |
| 7 总结与展望 | 第133-135页 |
| 7.1 研究工作总结 | 第133-134页 |
| 7.2 未来研究展望 | 第134-135页 |
| 致谢 | 第135-137页 |
| 参考文献 | 第137-147页 |
| 附录 | 第147-149页 |
| A. 作者在攻读学位期间发表的论文目录 | 第147-149页 |
| B. 作者在攻读学位期间参加的科研项目 | 第149页 |
