基于神经网络集成的入侵检测技术
| 摘要 | 第1-6页 |
| Abstract | 第6-10页 |
| 第1章 绪论 | 第10-14页 |
| ·引言 | 第10-11页 |
| ·网络安全与入侵检测 | 第11-12页 |
| ·课题来源 | 第12页 |
| ·立论目的和意义 | 第12-13页 |
| ·研究内容及章节安排 | 第13-14页 |
| 第2章 入侵检测相关知识分析 | 第14-27页 |
| ·入侵检测技术 | 第14-19页 |
| ·入侵检测的分类 | 第15-18页 |
| ·入侵检测的信息源 | 第18-19页 |
| ·神经网络入侵检测技术 | 第19-24页 |
| ·BP 神经网络 | 第19-23页 |
| ·几个参数的选取原则 | 第23-24页 |
| ·目前常用的攻击手段和方法分析 | 第24-26页 |
| ·本章小结 | 第26-27页 |
| 第3章 基于模糊聚类的样本选取方法 | 第27-43页 |
| ·神经网络集成相关技术分析 | 第27-35页 |
| ·个体网络生成方法及理论分析 | 第28-31页 |
| ·结论生成方法及理论分析 | 第31-34页 |
| ·个体分类器间的差异度量 | 第34-35页 |
| ·模糊聚类相关分析 | 第35-37页 |
| ·实验结果和分析 | 第37-42页 |
| ·实验数据 | 第37-41页 |
| ·实验方法 | 第41-42页 |
| ·实验结果 | 第42页 |
| ·本章小结 | 第42-43页 |
| 第4章 BP 神经网络和支持向量机集成 | 第43-52页 |
| ·统计学习理论 | 第43-45页 |
| ·VC 维 | 第43-44页 |
| ·结构风险最小化 | 第44-45页 |
| ·支持向量机理论 | 第45-49页 |
| ·最优超平面 | 第46-48页 |
| ·支持向量机结构 | 第48页 |
| ·核函数 | 第48-49页 |
| ·分类器集成 | 第49-50页 |
| ·神经网络集成的输出 | 第50页 |
| ·本章小结 | 第50-52页 |
| 第5章 基于神经网络集成的入侵检测系统 | 第52-64页 |
| ·系统设计 | 第52-54页 |
| ·系统实现关键技术 | 第54-57页 |
| ·数据采集 | 第54-56页 |
| ·协议分析 | 第56页 |
| ·检测器模块的设计 | 第56-57页 |
| ·仿真实验 | 第57-63页 |
| ·数据预处理 | 第57-61页 |
| ·实验方法 | 第61-62页 |
| ·实验结果 | 第62-63页 |
| ·本章小结 | 第63-64页 |
| 结论 | 第64-65页 |
| 参考文献 | 第65-69页 |
| 攻读硕士学位期间发表的学术论文 | 第69-70页 |
| 致谢 | 第70页 |
