基于计算机性能和机器学习的蠕虫病毒检测方法
| 摘要 | 第1-4页 |
| ABSTRACT | 第4-9页 |
| 第1章 绪论 | 第9-13页 |
| ·恶意代码和网络蠕虫 | 第9-10页 |
| ·国内外研究情况 | 第10-12页 |
| ·本文研究内容及安排 | 第12-13页 |
| 第2章 机器学习理论 | 第13-22页 |
| ·分类算法 | 第13-17页 |
| ·ID3判决树算法 | 第13-14页 |
| ·贝叶斯网络算法 | 第14-15页 |
| ·人工神经网络算法 | 第15-16页 |
| ·支持向量机 | 第16-17页 |
| ·特征选择算法 | 第17-20页 |
| ·Chi-Square算法 | 第17-18页 |
| ·Gain-Ratio算法 | 第18-19页 |
| ·ResliefF算法 | 第19-20页 |
| ·评估算法 | 第20-21页 |
| ·判决准确率算法 | 第20页 |
| ·N折交叉验证算法 | 第20-21页 |
| ·小结 | 第21-22页 |
| 第3章 蠕虫检测方法实现 | 第22-35页 |
| ·蠕虫检测框图 | 第23页 |
| ·检测系统功能说明 | 第23-34页 |
| ·数据集产生 | 第24-26页 |
| ·特征对比预处理 | 第26-33页 |
| ·蠕虫检测系统的软件支持 | 第33-34页 |
| ·小结 | 第34-35页 |
| 第4章 实验设计及结果分析 | 第35-56页 |
| ·特征选择算法最优选择 | 第35-42页 |
| ·Chi-Square算法应用 | 第35-37页 |
| ·Gain-Ratio算法应用 | 第37-39页 |
| ·ResliefF算法应用 | 第39-41页 |
| ·特征选择算法综合评估 | 第41-42页 |
| ·分类算法最优选择 | 第42-52页 |
| ·ID3算法应用 | 第42-44页 |
| ·贝叶斯网络算法应用 | 第44-46页 |
| ·ANN算法应用 | 第46-49页 |
| ·SVM算法应用 | 第49-51页 |
| ·分类器算法综合评估 | 第51-52页 |
| ·最优系统评估 | 第52-55页 |
| ·最优系统验证评估方法 | 第52页 |
| ·实验数据 | 第52-54页 |
| ·最优系统评估分析 | 第54-55页 |
| ·小结 | 第55-56页 |
| 第5章 总结与展望 | 第56-59页 |
| ·结论 | 第56-57页 |
| ·前景展望 | 第57-59页 |
| 参考文献 | 第59-62页 |
| 硕士期间已发表论文 | 第62-63页 |
| 致谢 | 第63页 |
