| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7页 |
| 1 引言 | 第11-17页 |
| 1.1 课题的研究背景及意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-16页 |
| 1.2.1 入侵检测的发展 | 第12-13页 |
| 1.2.2 误用检测算法研究现状 | 第13-14页 |
| 1.2.3 异常检测算法研究现状 | 第14-15页 |
| 1.2.4 人工智能算法研究现状 | 第15-16页 |
| 1.3 文章的组织结构 | 第16-17页 |
| 2 入侵检测系统与智能设备网络安全 | 第17-27页 |
| 2.1 入侵检测系统概述 | 第17-19页 |
| 2.1.1 基本概念 | 第17页 |
| 2.1.2 入侵检测系统基本模型 | 第17-19页 |
| 2.2 入侵检测系统分类 | 第19-25页 |
| 2.2.1 按照数据源进行分类 | 第19页 |
| 2.2.2 按照分析方法进行分类 | 第19-25页 |
| 2.3 智能设备网络安全问题 | 第25-26页 |
| 2.3.1 智能设备网络特征分析 | 第25页 |
| 2.3.2 智能设备网络安全问题 | 第25-26页 |
| 2.4 本章小结 | 第26-27页 |
| 3 基于机器学习的入侵检测模型 | 第27-49页 |
| 3.1 机器学习概述 | 第27-32页 |
| 3.1.1 机器学习的概念 | 第27-28页 |
| 3.1.2 机器学习发展史及研究现状 | 第28-29页 |
| 3.1.3 机器学习分类 | 第29-30页 |
| 3.1.4 机器学习与智能设备网络入侵检测相结合 | 第30-32页 |
| 3.2 基于决策树算法的入侵检测方法 | 第32-37页 |
| 3.2.1 决策树算法基本思想 | 第32-33页 |
| 3.2.2 决策树C4.5算法分析 | 第33-35页 |
| 3.2.3 决策树C4.5算法优化 | 第35-37页 |
| 3.3 集成学习BAGGING方法 | 第37-38页 |
| 3.4 基于随机森林算法的入侵检测方法 | 第38-44页 |
| 3.4.1 随机森林算法基本思想 | 第38-39页 |
| 3.4.2 随机森林泛化误差分析 | 第39-42页 |
| 3.4.3 现有的随机森林修剪算法 | 第42-43页 |
| 3.4.4 Margin最优化修剪 | 第43-44页 |
| 3.5 仿真分析 | 第44-48页 |
| 3.5.1 实验数据说明 | 第45页 |
| 3.5.2 三种随机森林修剪算法性能对比 | 第45-48页 |
| 3.6 本章小结 | 第48-49页 |
| 4 智能设备网络入侵检测系统设计 | 第49-67页 |
| 4.1 系统设计基本思想 | 第49页 |
| 4.2 系统整体模型和工作流程 | 第49-50页 |
| 4.2.1 系统整体模型 | 第49-50页 |
| 4.2.2 系统工作流程 | 第50页 |
| 4.3 系统各模块详细设计 | 第50-60页 |
| 4.3.1 数据采集和特征提取模块 | 第50-57页 |
| 4.3.2 入侵检测分类模型 | 第57-58页 |
| 4.3.3 入侵响应模块 | 第58页 |
| 4.3.4 系统环境 | 第58-60页 |
| 4.4 机器学习算法在系统中的应用 | 第60-66页 |
| 4.4.1 实验数据说明 | 第60-61页 |
| 4.4.2 基于决策树算法及其改进算法的分类模型性能对比分析 | 第61-62页 |
| 4.4.3 基于随机森林算法及其改进算法的分类模型性能对比分析 | 第62-66页 |
| 4.5 本章小结 | 第66-67页 |
| 5 总结与展望 | 第67-69页 |
| 5.1 本文研究成果总结 | 第67页 |
| 5.2 研究课题展望 | 第67-69页 |
| 参考文献 | 第69-73页 |
| 附录A | 第73-74页 |
| 索引 | 第74-75页 |
| 作者简历及攻读硕士学位期间取得的研究成果 | 第75-77页 |
| 学位论文数据集 | 第77页 |