| 摘要 | 第5-6页 |
| abstract | 第6页 |
| 第1章 绪论 | 第9-19页 |
| 1.1 研究背景及意义 | 第9-10页 |
| 1.1.1 研究的背景 | 第9页 |
| 1.1.2 研究的意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-11页 |
| 1.3 主要研究内容 | 第11-12页 |
| 1.4 基于卷积神经网络的入侵检测模型总体设计 | 第12-16页 |
| 1.4.1 入侵检测技术 | 第12-15页 |
| 1.4.2 入侵检测模型结构设计 | 第15-16页 |
| 1.4.3 入侵检测模型工作流程 | 第16页 |
| 1.5 论文组织结构 | 第16-19页 |
| 第2章 基于遗传算法的卷积神经网络改进研究 | 第19-35页 |
| 2.1 引言 | 第19页 |
| 2.2 卷积神经网络分析 | 第19-24页 |
| 2.2.1 局部连接与权值共享 | 第19-20页 |
| 2.2.2 下采样操作 | 第20页 |
| 2.2.3 卷积神经网络结构分析 | 第20-23页 |
| 2.2.4 卷积神经网络的训练 | 第23-24页 |
| 2.3 基于遗传算法的卷积神经网络权值优化 | 第24-27页 |
| 2.3.1 遗传算法的一般流程 | 第24-26页 |
| 2.3.2 遗传算法优化卷积神经网络权值 | 第26-27页 |
| 2.4 基于遗传卷积神经网络的入侵检测实验 | 第27-33页 |
| 2.4.1 染色体编码与适应度函数 | 第27-28页 |
| 2.4.2 遗传算子 | 第28-29页 |
| 2.4.3 实验模型设置 | 第29-31页 |
| 2.4.4 对比实验设置 | 第31-32页 |
| 2.4.5 实验结果与分析 | 第32-33页 |
| 2.5 本章小结 | 第33-35页 |
| 第3章 深度卷积神经网络在入侵检测中的应用及改进 | 第35-45页 |
| 3.1 引言 | 第35页 |
| 3.2 VGG网络模型简析 | 第35-37页 |
| 3.3 VGG网络模型的改进 | 第37-40页 |
| 3.3.1 网络结构修改 | 第37页 |
| 3.3.2 BatchNormalization | 第37-38页 |
| 3.3.3 改进后的IVGG网络模型分析 | 第38-40页 |
| 3.4 IVGG入侵检测实验 | 第40-44页 |
| 3.4.1 实验数据集介绍 | 第40页 |
| 3.4.2 实验数据预处理 | 第40-42页 |
| 3.4.3 实验步骤设置 | 第42页 |
| 3.4.4 实验结果分析 | 第42-44页 |
| 3.5 本章小结 | 第44-45页 |
| 第4章 基于深度扩展的残差卷积神经网络入侵检测研究 | 第45-65页 |
| 4.1 引言 | 第45页 |
| 4.2 残差卷积神经网络研究 | 第45-51页 |
| 4.2.1 残差学习方法 | 第45-46页 |
| 4.2.2 残差网络单元结构 | 第46-48页 |
| 4.2.3 残差结构对IVGG模型的改进 | 第48-49页 |
| 4.2.4 改进后的IRes模型入侵检测实验 | 第49-51页 |
| 4.3 基于深度扩展的残差卷积神经网络模型设计 | 第51-54页 |
| 4.4 基于深度扩展的残差卷积神经网络入侵检测实验 | 第54-64页 |
| 4.4.1 实验数据平衡 | 第54-55页 |
| 4.4.2 网络模型训练 | 第55-56页 |
| 4.4.3 入侵检测实验评价标准 | 第56页 |
| 4.4.4 入侵检测实验结果分析 | 第56-64页 |
| 4.5 本章小结 | 第64-65页 |
| 结论 | 第65-67页 |
| 参考文献 | 第67-71页 |
| 致谢 | 第71页 |