| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 第1章 绪论 | 第10-15页 |
| 1.1 课题研究与意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-12页 |
| 1.2.1 入侵检测研究现状 | 第11-12页 |
| 1.2.2 水电站远程监控系统入侵检测研究现状 | 第12页 |
| 1.3 本文的研究工作 | 第12-13页 |
| 1.4 本文的内容组织 | 第13-15页 |
| 第2章 基于机器学习的入侵检测算法效果评估方法和指标 | 第15-36页 |
| 2.1 引言 | 第15页 |
| 2.2 机器学习介绍 | 第15-18页 |
| 2.2.1 机器学习概念和应用 | 第15-16页 |
| 2.2.2 机器学习技术分类 | 第16-17页 |
| 2.2.3 常用的机器学习算法 | 第17-18页 |
| 2.3 数据集介绍 | 第18-21页 |
| 2.4 模型选择方法 | 第21-22页 |
| 2.4.1 模型评估 | 第21-22页 |
| 2.4.2 基于交叉验证的模型选择 | 第22页 |
| 2.5 特征变换方法 | 第22-25页 |
| 2.5.1 特征选择 | 第22-24页 |
| 2.5.2 基于信息增益的特征选择 | 第24-25页 |
| 2.5.3 其他特征变换方法 | 第25页 |
| 2.6 算法评价指标 | 第25-26页 |
| 2.6.1 混淆矩阵 | 第25-26页 |
| 2.6.2 误差率 | 第26页 |
| 2.7 本文所提出的算法评估方法和指标 | 第26-29页 |
| 2.7.1 分析流程 | 第26-27页 |
| 2.7.2 样本复杂度检测 | 第27-28页 |
| 2.7.3 机器学习算法综合评价指标 | 第28-29页 |
| 2.8 实验及结果分析 | 第29-34页 |
| 2.8.1 样本复杂度检测 | 第29-30页 |
| 2.8.2 机器学习算法性能比较 | 第30-32页 |
| 2.8.3 基于信息增益的特征选择 | 第32-33页 |
| 2.8.4 拟合度分析 | 第33-34页 |
| 2.9 本章小结 | 第34-36页 |
| 第3章 基于高斯检测和逻辑回归的轻量级入侵检测方法 | 第36-48页 |
| 3.1 引言 | 第36页 |
| 3.2 基于高斯分布的异常检测模型 | 第36-37页 |
| 3.2.1 高斯分布 | 第36-37页 |
| 3.2.2 为高斯分布估计参数 | 第37页 |
| 3.2.3 异常检测算法 | 第37页 |
| 3.3 逻辑回归模型 | 第37-39页 |
| 3.3.1 分类模型 | 第38页 |
| 3.3.2 最优分类参数估计 | 第38-39页 |
| 3.4 本文所提出的轻量级入侵检测方法 | 第39-43页 |
| 3.4.1 高斯分布特征选择 | 第39-40页 |
| 3.4.2 特征变换 | 第40-41页 |
| 3.4.3 轻量级入侵检测模型构建 | 第41-42页 |
| 3.4.4 算法整体示意图 | 第42-43页 |
| 3.5 实验及结果分析 | 第43-47页 |
| 3.5.1 攻击对特征取值影响分析 | 第43-44页 |
| 3.5.2 轻量级入侵检测模型构建与分析 | 第44-47页 |
| 3.6 本章小结 | 第47-48页 |
| 第4章 小水电远程监控系统入侵检测系统构建 | 第48-58页 |
| 4.1 引言 | 第48页 |
| 4.2 入侵检测系统介绍 | 第48-52页 |
| 4.2.1 入侵检测系统概念和模型 | 第48-49页 |
| 4.2.2 入侵检测系统分类 | 第49-51页 |
| 4.2.3 入侵检测常用技术 | 第51-52页 |
| 4.3 本文所设计的入侵检测系统 | 第52-55页 |
| 4.3.1 系统架构设计 | 第52-53页 |
| 4.3.2 数据库设计 | 第53-54页 |
| 4.3.3 开发环境 | 第54-55页 |
| 4.4 系统功能展示 | 第55-57页 |
| 4.4.1 测试环境搭建 | 第55页 |
| 4.4.2 系统功能截图 | 第55-57页 |
| 4.5 本章小结 | 第57-58页 |
| 第5章 总结和展望 | 第58-60页 |
| 5.1 总结 | 第58页 |
| 5.2 展望 | 第58-60页 |
| 参考文献 | 第60-65页 |
| 致谢 | 第65-66页 |
| 攻读学位期间的科研成果 | 第66页 |