| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第一章 绪论 | 第8-18页 |
| 1.1 论文的研究背景 | 第8-9页 |
| 1.2 入侵检测概述 | 第9-12页 |
| 1.2.1 误用检测 | 第9-10页 |
| 1.2.2 异常检测 | 第10-11页 |
| 1.2.3 基于规范的检测 | 第11-12页 |
| 1.3 入侵检测技术发展历程和趋势 | 第12-14页 |
| 1.4 基于机器学习的入侵检测 | 第14-16页 |
| 1.4.1 机器学习概述 | 第14-15页 |
| 1.4.2 机器学习在入侵检测中的应用 | 第15-16页 |
| 1.5 本文研究内容与结构 | 第16-18页 |
| 第二章 特征选择方法在入侵检测中的应用 | 第18-38页 |
| 2.1 特征选择概述 | 第18-22页 |
| 2.1.1 Relief算法 | 第19-20页 |
| 2.1.2 BIF算法 | 第20-21页 |
| 2.1.3 Pearson相关系数 | 第21-22页 |
| 2.2 基于信息增益的特征选择算法在入侵检测中的应用 | 第22-23页 |
| 2.3 分类算法 | 第23-28页 |
| 2.3.1 最邻近算法 | 第24页 |
| 2.3.2 分类回归树算法 | 第24-25页 |
| 2.3.3 支持向量机 | 第25-27页 |
| 2.3.4 决策树算法 | 第27-28页 |
| 2.3.5 聚类方法 | 第28页 |
| 2.4 实验分析 | 第28-37页 |
| 2.4.1 实验数据和实验工具 | 第28-32页 |
| 2.4.2 实验过程和结果分析 | 第32-37页 |
| 2.5 本章小结 | 第37-38页 |
| 第三章 基于特征选择的集成学习在入侵检测中的应用 | 第38-47页 |
| 3.1 集成学习概述 | 第38-40页 |
| 3.1.1 装袋（Bagging）方法 | 第38-39页 |
| 3.1.2 提升（Boosting）方法 | 第39页 |
| 3.1.3 随机森林 | 第39-40页 |
| 3.2 基于特征选择的集成分类模型 | 第40-41页 |
| 3.3 实验分析 | 第41-45页 |
| 3.4 本章小结 | 第45-47页 |
| 第四章 基于机器学习方法的混合入侵检测框架 | 第47-51页 |
| 4.1 基于机器学习方法的混合入侵检测框架 | 第47-49页 |
| 4.2 实验分析 | 第49-50页 |
| 4.3 本章小结 | 第50-51页 |
| 第五章 总结和展望 | 第51-53页 |
| 5.1 总结 | 第51页 |
| 5.2 展望 | 第51-53页 |
| 参考文献 | 第53-57页 |
| 在学期间的研究成果 | 第57-58页 |
| 致谢 | 第58页 |