| 摘要 | 第1-4页 |
| ABSTRACT | 第4-5页 |
| 目录 | 第5-7页 |
| 1 绪论 | 第7-11页 |
| ·研究背景及意义 | 第7页 |
| ·入侵检测技术研究现状 | 第7-8页 |
| ·支持向量机的研究进展及现状 | 第8-9页 |
| ·论文所做的工作及内容安排 | 第9-11页 |
| 2 入侵检测概述 | 第11-19页 |
| ·入侵检测的基本概念与模型 | 第11-13页 |
| ·入侵检测的基本概念 | 第11-12页 |
| ·通用入侵检测模型 | 第12-13页 |
| ·入侵检测技术分类 | 第13-17页 |
| ·按照信息源分类 | 第13-14页 |
| ·按照检测方法分类 | 第14-17页 |
| ·入侵检测的发展趋势 | 第17-19页 |
| 3 支持向量机与聚类算法 | 第19-33页 |
| ·统计学习理论和支持向量机 | 第19-27页 |
| ·VC维 | 第19-20页 |
| ·结构风险最小化 | 第20-21页 |
| ·最大间隔原则 | 第21-22页 |
| ·核函数 | 第22-23页 |
| ·支持向量机原理 | 第23-24页 |
| ·支持向量机变形算法 | 第24-27页 |
| ·聚类算法 | 第27-33页 |
| ·常用的聚类算法 | 第27-30页 |
| ·划分的方法 | 第27-28页 |
| ·层次的方法 | 第28-29页 |
| ·基于密度的方法 | 第29页 |
| ·基于网格的方法 | 第29页 |
| ·基于模型的方法 | 第29-30页 |
| ·K-均值算法及其改进算法 | 第30-33页 |
| 4 基于聚类分块支持向量机的入侵检测算法及其模型设计 | 第33-41页 |
| ·引言 | 第33-34页 |
| ·算法描述 | 第34-37页 |
| ·算法原理 | 第34-35页 |
| ·算法结构 | 第35-37页 |
| ·基于SVM的入侵检测模型 | 第37-39页 |
| ·本章小结 | 第39-41页 |
| 5 实验及数据分析 | 第41-57页 |
| ·数据集 | 第41-44页 |
| ·数据集描述 | 第41-42页 |
| ·原始数据的预处理 | 第42-44页 |
| ·核函数参数的选择 | 第44-48页 |
| ·实验结果 | 第48-55页 |
| ·改进算法性能受聚类数k影响 | 第48-52页 |
| ·改进算法性能受训练数据规模影响 | 第52-55页 |
| ·实验结果分析 | 第55-57页 |
| 结束语 | 第57-59页 |
| 全文总结 | 第57页 |
| 研究展望 | 第57-59页 |
| 致谢 | 第59-61页 |
| 参考文献 | 第61-68页 |