| 摘要 | 第1-5页 |
| Abstract | 第5-8页 |
| 图表清单 | 第8-10页 |
| 注释表 | 第10-11页 |
| 第一章 绪论 | 第11-15页 |
| ·研究背景和意义 | 第11-12页 |
| ·国内外研究现状 | 第12-13页 |
| ·本文的主要工作 | 第13-14页 |
| ·论文的组织结构 | 第14-15页 |
| 第二章 入侵检测技术 | 第15-22页 |
| ·网络入侵与入侵检测 | 第15-16页 |
| ·入侵检测技术的分类 | 第16-19页 |
| ·根据数据源进行分类 | 第16-17页 |
| ·根据分析方法进行分类 | 第17-19页 |
| ·入侵检测系统 | 第19-20页 |
| ·本章小结 | 第20-22页 |
| 第三章 集成学习 | 第22-28页 |
| ·集成学习概述 | 第22-23页 |
| ·不同基分类器的构造方法 | 第23-24页 |
| ·分类器结果的整合方式 | 第24-25页 |
| ·集成学习算法 | 第25-27页 |
| ·Bagging 算法 | 第25页 |
| ·Adaboost 算法 | 第25-26页 |
| ·随机森林算法 | 第26-27页 |
| ·本章小结 | 第27-28页 |
| 第四章 半监督学习 | 第28-40页 |
| ·机器学习 | 第28-29页 |
| ·半监督学习 | 第29-31页 |
| ·半监督学习介绍 | 第29-30页 |
| ·半监督学习的原理 | 第30-31页 |
| ·半监督分类的方法 | 第31-39页 |
| ·生成式模型（EM 算法） | 第31-32页 |
| ·自训练 | 第32-35页 |
| ·基于图的方法 | 第35-38页 |
| ·TSVM (Transductive Support Vector Machine) | 第38-39页 |
| ·本章小结 | 第39-40页 |
| 第五章 协同训练算法在入侵检测中的应用 | 第40-52页 |
| ·协同训练介绍 | 第40-43页 |
| ·协同训练原理 | 第40-41页 |
| ·协同训练算法流程 | 第41-42页 |
| ·协同训练的技术难点 | 第42-43页 |
| ·Tri-training 算法 | 第43-46页 |
| ·Co-Forest 算法 | 第46-49页 |
| ·协同训练入侵检测模型 | 第49-51页 |
| ·本章小结 | 第51-52页 |
| 第六章 实验及数据分析 | 第52-62页 |
| ·实验仿真环境 | 第52-53页 |
| ·数据集及规格化 | 第53-56页 |
| ·数据集描述 | 第53-55页 |
| ·数据规格化 | 第55-56页 |
| ·仿真结果和分析 | 第56-60页 |
| ·本章小结 | 第60-62页 |
| 第七章 论文总结和工作展望 | 第62-64页 |
| 参考文献 | 第64-68页 |
| 致谢 | 第68-69页 |
| 在学期间的研究成果及发表的学术论文 | 第69页 |