| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第10-15页 |
| 1.1 研究背景与意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.2.1 入侵检测技术研究现状 | 第11-13页 |
| 1.2.2 入侵检测技术在电力信息网络中的应用现状 | 第13页 |
| 1.3 论文的组织安排 | 第13-15页 |
| 第2章 相关技术 | 第15-21页 |
| 2.1 深度学习介绍 | 第15-16页 |
| 2.1.1 深度学习基本原理 | 第15-16页 |
| 2.1.2 深度学习架构 | 第16页 |
| 2.2 Hadoop云计算平台 | 第16-18页 |
| 2.2.1 HDFS分布式文件系统 | 第17页 |
| 2.2.2 Map Reduce编程框架 | 第17-18页 |
| 2.3 Spark云计算平台 | 第18-20页 |
| 2.4 本章小结 | 第20-21页 |
| 第3章 基于Hadoop云计算的电力信息网数据获取 | 第21-39页 |
| 3.1 电力信息网络入侵检测模型 | 第21-25页 |
| 3.1.1 电力信息网络结构 | 第21-23页 |
| 3.1.2 电力管理信息区网入侵检测模型 | 第23-25页 |
| 3.2 电力管理信息网入侵行为分析 | 第25-27页 |
| 3.2.1 协议分析 | 第26页 |
| 3.2.2 网络流量分析 | 第26-27页 |
| 3.3 数据包捕获及预处理 | 第27-33页 |
| 3.4 基于Hadoop的数据包提取分析方法 | 第33-38页 |
| 3.4.1 基于连接基本特征Map Reduce设计 | 第34-36页 |
| 3.4.2 基于连接时间的Map Reduce设计 | 第36-38页 |
| 3.5 本章小结 | 第38-39页 |
| 第4章 基于spark的深度学习算法在电力信息网中的并行化设计 | 第39-50页 |
| 4.1 基于自动编码器的特征选择算法 | 第39-42页 |
| 4.1.1 自动编码器原理 | 第40-41页 |
| 4.1.2 编码器参数设计 | 第41-42页 |
| 4.2 基于Spark的自动编码器网络并行化设计 | 第42-44页 |
| 4.2.1 并行化模型设计 | 第42-43页 |
| 4.2.2 Spark下的多层编码器设计与实现 | 第43-44页 |
| 4.3 Spark上基于DBN优化的BP神经网络分类器 | 第44-49页 |
| 4.3.1 基于DBN的BP神经网络优化 | 第44-47页 |
| 4.3.2 Spark上DBN-BP算法并行化设计 | 第47-48页 |
| 4.3.3 Spark上DBN-BP算法并行化实现 | 第48-49页 |
| 4.4 本章小结 | 第49-50页 |
| 第5章 实验结果与分析 | 第50-63页 |
| 5.1 实验环境说明 | 第50-57页 |
| 5.1.1 系统环境配置 | 第50页 |
| 5.1.2 全分布环境下Spark的安装配置 | 第50-55页 |
| 5.1.3 测试数据集描述 | 第55-56页 |
| 5.1.4 评价指标描述 | 第56-57页 |
| 5.2 MR_SAE算法实验 | 第57-59页 |
| 5.2.1 SAE算法特征提取性能 | 第57-58页 |
| 5.2.2 MR_SAE算法并行性能测试 | 第58-59页 |
| 5.3 MR_DBN_BP算法实验 | 第59-62页 |
| 5.3.1 MR_DBN_BP算法分类性能测试 | 第59-60页 |
| 5.3.2 MR_DBN_BP算法并行性能 | 第60-62页 |
| 5.4 本章小结 | 第62-63页 |
| 第6章 总结与展望 | 第63-65页 |
| 6.1 本论文的工作 | 第63页 |
| 6.2 对未来工作的展望 | 第63-65页 |
| 参考文献 | 第65-67页 |
| 攻读硕士学位期间发表的论文及其它成果 | 第67-68页 |
| 致谢 | 第68页 |
