| 致谢 | 第4-5页 |
| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第10-15页 |
| 1.1 课题背景与研究现状 | 第10-13页 |
| 1.1.1 课题背景 | 第10-11页 |
| 1.1.2 研究现状 | 第11-13页 |
| 1.2 论文主要研究内容 | 第13-14页 |
| 1.3 论文组织架构 | 第14-15页 |
| 第2章 入侵检测 | 第15-25页 |
| 2.1 入侵检测概念 | 第15-16页 |
| 2.2 入侵检测模型 | 第16-17页 |
| 2.3 入侵检测分类和常见技术 | 第17-20页 |
| 2.3.1 入侵检测分类 | 第17-19页 |
| 2.3.2 入侵检测常见技术 | 第19-20页 |
| 2.4 实验所用数据集 | 第20-22页 |
| 2.5 仿真评价指标 | 第22-24页 |
| 2.6 本章小结 | 第24-25页 |
| 第3章 SDN中基于机器学习的智能入侵检测系统 | 第25-43页 |
| 3.1 SDN在网络安全上的应用优势 | 第25-26页 |
| 3.2 系统架构 | 第26-30页 |
| 3.2.1 概述和优点 | 第26-27页 |
| 3.2.2 各模块介绍 | 第27-30页 |
| 3.3 智能入侵检测过程 | 第30-37页 |
| 3.3.1 基于随机森林的特征选择 | 第30-33页 |
| 3.3.1.1 随机森林概述 | 第30-32页 |
| 3.3.1.2 基于随机森林的特征选择 | 第32-33页 |
| 3.3.2 基于k-means++和Adaboost组合算法的流分类 | 第33-37页 |
| 3.3.2.1 k-means++概述 | 第33-35页 |
| 3.3.2.2 Adaboost概述 | 第35-37页 |
| 3.4 仿真结果及分析 | 第37-42页 |
| 3.5 本章小结 | 第42-43页 |
| 第4章 SDN中基于改进AI算法的two-stage入侵检测技术 | 第43-67页 |
| 4.1 基于AI的入侵检测的two-stage | 第43-48页 |
| 4.1.1 特征选择 | 第43-47页 |
| 4.1.1.1 特征选择概念 | 第43-44页 |
| 4.1.1.2 特征选择一般过程 | 第44-45页 |
| 4.1.1.3 特征选择常用方法 | 第45-47页 |
| 4.1.2 流量分类 | 第47-48页 |
| 4.2 基于改进蝙蝠算法的特征选择 | 第48-54页 |
| 4.2.1 蝙蝠算法基本思想 | 第48-49页 |
| 4.2.2 改进蝙蝠算法思路 | 第49-54页 |
| 4.2.2.1 基于k-means的子种群划分 | 第50-51页 |
| 4.2.2.2 二进制差分变异 | 第51-54页 |
| 4.3 基于改进随机森林的流分类 | 第54-58页 |
| 4.3.1 随机森林算法基本思想 | 第54页 |
| 4.3.2 改进随机森林算法思路 | 第54-58页 |
| 4.4 仿真结果及分析 | 第58-66页 |
| 4.5 本章小结 | 第66-67页 |
| 第5章 总结与展望 | 第67-69页 |
| 参考文献 | 第69-75页 |
| 攻读硕士学位期间主要的研究成果 | 第75页 |