| 摘要 | 第1-5页 |
| ABSTRACT | 第5-12页 |
| 第一章 绪论 | 第12-17页 |
| ·研究背景及意义 | 第12-13页 |
| ·入侵检测系统概述 | 第13-14页 |
| ·数据流挖掘与入侵检测系统 | 第14-16页 |
| ·本文的组织结构与主要内容 | 第16-17页 |
| 第二章 基于数据流挖掘的入侵检测模型的设计 | 第17-26页 |
| ·数据流挖掘引入 | 第17-18页 |
| ·数据流挖掘算法的特点 | 第18-19页 |
| ·数据流挖掘算法中的基本概念与技术 | 第19-21页 |
| ·基本概念 | 第19页 |
| ·主要支撑技术 | 第19-21页 |
| ·基于数据流挖掘的入侵检测模型的设计 | 第21-25页 |
| ·现有研究成果 | 第22-23页 |
| ·基于数据流挖掘的入侵检测模型设计 | 第23-25页 |
| ·本章小结 | 第25-26页 |
| 第三章 面向数据流的分类算法设计 | 第26-52页 |
| ·传统分类算法介绍 | 第26-27页 |
| ·面向数据流的分类算法的设计要求和策略 | 第27-30页 |
| ·数据流分类算法的要求 | 第27-28页 |
| ·数据流分类算法的一般框架 | 第28页 |
| ·数据流分类算法的一般策略 | 第28-30页 |
| ·对于变化的检测策略 | 第30页 |
| ·融合感知器模型和Hoeffding树模型的数据流分类算法设计 | 第30-51页 |
| ·现有研究成果 | 第30-31页 |
| ·感知器学习 | 第31-37页 |
| ·梯度学习算法 | 第34-36页 |
| ·在本文中使用的感知器方法 | 第36-37页 |
| ·Hoeffding树和感知器 | 第37-41页 |
| ·面向数据流的Hoeffding树算法 | 第38-40页 |
| ·Hoeffding树算法和感知器方法的组合 | 第40-41页 |
| ·对概念漂移的处理 | 第41-44页 |
| ·实验验证 | 第44-51页 |
| ·实验数据集 | 第45-46页 |
| ·模型的评价方法 | 第46-47页 |
| ·实验结果与实验分析 | 第47-51页 |
| ·本章小结 | 第51-52页 |
| 第四章 面向数据流的聚类算法设计 | 第52-69页 |
| ·传统聚类算法介绍 | 第52-53页 |
| ·面向数据流的聚类算法介绍 | 第53-56页 |
| ·数据流聚类算法特点 | 第53页 |
| ·现有数据流聚类算法总结 | 第53-56页 |
| ·基于信息熵降维的混合属性数据流聚类算法设计 | 第56-63页 |
| ·基本概念与公式 | 第56-57页 |
| ·概要数据结构的设计 | 第57页 |
| ·名词属性的选择 | 第57-58页 |
| ·EHPStream算法的设计 | 第58-63页 |
| ·联机聚类阶段 | 第58-63页 |
| ·脱机聚类阶段 | 第63页 |
| ·实验设计与验证 | 第63-68页 |
| ·实验数据集 | 第63-64页 |
| ·实验过程 | 第64-66页 |
| ·实验分析 | 第66-68页 |
| ·本章小结 | 第68-69页 |
| 第五章 基于数据流挖掘的入侵检测系统设计与验证 | 第69-88页 |
| ·Snort入侵检测系统系统简介 | 第69-70页 |
| ·数据流挖掘算法在入侵检测中的应用方式 | 第70-72页 |
| ·数据流聚类算法在入侵检测系统里面的应用 | 第71-72页 |
| ·数据流分类算法在入侵检测系统中的应用 | 第72页 |
| ·系统的设计与实现 | 第72-86页 |
| ·框架设计 | 第72-73页 |
| ·主要的数据结构 | 第73-75页 |
| ·主要算法实现 | 第75-84页 |
| ·实验设计与结果分析 | 第84-86页 |
| ·本章小结 | 第86-88页 |
| 第六章 总结与展望 | 第88-89页 |
| ·总结 | 第88页 |
| ·展望 | 第88-89页 |
| 参考文献 | 第89-94页 |
| 致谢 | 第94-95页 |
| 在学期间的研究成果及发表的学术论文 | 第95页 |