| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 绪论 | 第10-20页 |
| 1.1 研究背景及意义 | 第10-13页 |
| 1.1.1 研究背景 | 第10-11页 |
| 1.1.2 研究意义 | 第11-13页 |
| 1.2 国内外研究现状 | 第13-17页 |
| 1.2.1 数据不平衡问题 | 第13-14页 |
| 1.2.2 海量数据分类问题 | 第14-17页 |
| 1.3 本文研究目标和内容 | 第17-19页 |
| 1.3.1 研究目标 | 第17-18页 |
| 1.3.2 研究内容 | 第18-19页 |
| 1.4 本文组织结构 | 第19-20页 |
| 第2章 入侵检测和数据挖掘概述 | 第20-29页 |
| 2.1 入侵检测 | 第20-24页 |
| 2.1.1 入侵检测系统概述 | 第20-22页 |
| 2.1.2 入侵检测的组成 | 第22-24页 |
| 2.1.3 入侵检测的方法 | 第24页 |
| 2.2 数据挖掘 | 第24-27页 |
| 2.2.1 数据挖掘概述 | 第24-25页 |
| 2.2.2 数据挖掘方法 | 第25-27页 |
| 2.3 基于数据挖掘的入侵检测 | 第27-28页 |
| 2.4 小结 | 第28-29页 |
| 第3章 不平衡数据分类方法 | 第29-40页 |
| 3.1 相关方法介绍 | 第29-31页 |
| 3.1.1 K-S统计 | 第29-30页 |
| 3.1.2 决策树 | 第30页 |
| 3.1.3 逻辑回归 | 第30-31页 |
| 3.2 针对不平衡数据的分类方法 | 第31-36页 |
| 3.2.1 整体框架 | 第31-32页 |
| 3.2.2 K-S决策树 | 第32页 |
| 3.2.3 数据分片 | 第32-33页 |
| 3.2.4 数据重采样 | 第33-34页 |
| 3.2.5 算法应用实例分析 | 第34-36页 |
| 3.3 入侵检测实验 | 第36-39页 |
| 3.3.1 评价指标 | 第36-37页 |
| 3.3.2 数据集 | 第37页 |
| 3.3.3 实验分析 | 第37-39页 |
| 3.4 本章小结 | 第39-40页 |
| 第4章 基于基准数据的自适应AP聚类算法 | 第40-59页 |
| 4.1 相关方法介绍 | 第40-44页 |
| 4.1.1 AP聚类 | 第40-41页 |
| 4.1.2 加权的AP算法(WeightedAP,WAP) | 第41-42页 |
| 4.1.3 基于基准数据的AP聚类算法(Landmark AP,LAP) | 第42-44页 |
| 4.2 基于基准数据的自适应AP聚类算法(LANDMARK ADAPTIVE AP,LAAP) | 第44-50页 |
| 4.2.1 算法概述 | 第44-45页 |
| 4.2.2 模型构建与更新 | 第45页 |
| 4.2.3 距离阈值ε的实时调整 | 第45-47页 |
| 4.2.4 模型重建的触发条件 | 第47页 |
| 4.2.5 模型重建 | 第47-48页 |
| 4.2.6 算法步骤及时空代价分析 | 第48-50页 |
| 4.3 实验及结果分析 | 第50-58页 |
| 4.3.1 实验数据集和测试环境 | 第50页 |
| 4.3.2 参数影响 | 第50-53页 |
| 4.3.3 时间性能 | 第53-55页 |
| 4.3.4 入侵检测分类准确率 | 第55-58页 |
| 4.4 本章小结 | 第58-59页 |
| 第5章 基于样本综合处理的网络入侵检测模型 | 第59-68页 |
| 5.1 模型说明 | 第59-60页 |
| 5.2 评价标准 | 第60-61页 |
| 5.3 分类方法 | 第61-62页 |
| 5.4 模型检验 | 第62-67页 |
| 5.4.1 实验数据集及测试环境 | 第62页 |
| 5.4.2 准确率分析 | 第62-65页 |
| 5.4.3 时间性能 | 第65-67页 |
| 5.5 本章小结 | 第67-68页 |
| 第6章 总结与展望 | 第68-70页 |
| 6.1 结论 | 第68-69页 |
| 6.2 展望 | 第69-70页 |
| 参考文献 | 第70-74页 |
| 致谢 | 第74-75页 |
| 攻读学位期间参加的科研项目和成果 | 第75页 |
