基于GT-KM算法的入侵检测研究
| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第一章 绪论 | 第8-17页 |
| 1.1 课题的背景和意义 | 第8-11页 |
| 1.2 国内外研究现状 | 第11-14页 |
| 1.2.1 数据挖掘在入侵检测中的应用 | 第11-14页 |
| 1.2.2 当前领域仍然存在的问题 | 第14页 |
| 1.3 论文的研究内容 | 第14-15页 |
| 1.4 论文结构安排 | 第15-17页 |
| 第二章 聚类分析算法 | 第17-27页 |
| 2.1 数据挖掘中现有的聚类算法 | 第17-22页 |
| 2.1.1 层次聚类算法 | 第19页 |
| 2.1.2 分割聚类算法 | 第19-21页 |
| 2.1.3 基于约束的聚类算法 | 第21页 |
| 2.1.4 机器学习中的聚类算法 | 第21页 |
| 2.1.5 用于高维数据的聚类算法 | 第21-22页 |
| 2.2 现有的一些聚类算法性能比较 | 第22页 |
| 2.3 K-means算法 | 第22-25页 |
| 2.4 国内外研究现状 | 第25页 |
| 2.5 本章小结 | 第25-27页 |
| 第三章 新的改进聚类算法——GT-KM算法 | 第27-38页 |
| 3.1 引言 | 第27-28页 |
| 3.2 生长树算法 | 第28-31页 |
| 3.2.1 树木的生长机理 | 第28页 |
| 3.2.2 生长树生长过程 | 第28-31页 |
| 3.3 一种新的GT-KM算法 | 第31-34页 |
| 3.3.1 编码方式和适应度函数 | 第32-33页 |
| 3.3.2 GT-KM算法描述 | 第33-34页 |
| 3.4 实验结果与分析 | 第34-37页 |
| 3.4.1 仿真环境和UCI数据集 | 第34-35页 |
| 3.4.2 实验结果分析 | 第35-37页 |
| 3.5 本章小结 | 第37-38页 |
| 第四章 GT-KM算法在入侵检测中的应用 | 第38-44页 |
| 4.1 基本流程 | 第38-39页 |
| 4.1.1 数据预处理 | 第38-39页 |
| 4.1.2 检测算法 | 第39页 |
| 4.1.3 整体流程 | 第39页 |
| 4.2 实验与结果分析 | 第39-43页 |
| 4.3 本章小结 | 第43-44页 |
| 第五章 总结与展望 | 第44-46页 |
| 5.1 总结 | 第44页 |
| 5.2 展望 | 第44-46页 |
| 参考文献 | 第46-50页 |
| 致谢 | 第50-51页 |
| 攻读学位期间的研究成果 | 第51-52页 |
