摘要 | 第5-7页 |
abstract | 第7-8页 |
第1章 绪论 | 第12-18页 |
1.1 课题研究背景及意义 | 第12-13页 |
1.2 入侵检测技术分类 | 第13页 |
1.3 入侵检测技术研究现状 | 第13-15页 |
1.4 论文主要工作及章节安排 | 第15-18页 |
第2章 校园网安全防护相关技术 | 第18-28页 |
2.1 常见的Web攻击方式 | 第18页 |
2.2 网络安全防护技术 | 第18-19页 |
2.3 云计算框架Hadoop技术 | 第19-23页 |
2.3.1 HDFS技术 | 第20-21页 |
2.3.2 MapReducer技术 | 第21-22页 |
2.3.3 Hive技术 | 第22-23页 |
2.4 Web日志挖掘 | 第23-24页 |
2.5 机器学习算法 | 第24-26页 |
2.5.1 监督学习算法 | 第24-25页 |
2.5.2 无监督学习算法 | 第25-26页 |
2.6 本章小结 | 第26-28页 |
第3章 校园网Web日志安全事件挖掘系统相关研究及设计 | 第28-46页 |
3.1 校园网安全建设现状 | 第28-29页 |
3.2 Web日志采集分析需求 | 第29-30页 |
3.3 系统总体架构设计 | 第30-31页 |
3.4 校园网流量采集模块研究及设计 | 第31-39页 |
3.4.1 校园网流量采集方式研究 | 第31-32页 |
3.4.2 数据采集模块设计 | 第32-35页 |
3.4.3 基于Hadoop集群存储模块设计 | 第35-39页 |
3.5 校园网Web日志安全事件挖掘模块研究及设计 | 第39-43页 |
3.5.1 攻击技术分析 | 第39页 |
3.5.2 网站扫描研究及挖掘方法 | 第39-42页 |
3.5.4 挂马网站研究及挖掘方法 | 第42-43页 |
3.6 校园网Web日志安全事件统计模块设计 | 第43-44页 |
3.7 校园网Web安全事件可视化模块设计 | 第44-45页 |
3.8 本章小结 | 第45-46页 |
第4章 校园网现有Web入侵检测系统改进 | 第46-66页 |
4.1 需求分析 | 第46页 |
4.2 基于机器学习的入侵检测技术研究 | 第46-48页 |
4.3 统一资源定位符URL安全性研究 | 第48-50页 |
4.3.1 统一资源定位符URL组成 | 第48-49页 |
4.3.2 URL相关的攻击方式研究 | 第49-50页 |
4.4 基于One-ClassSVM算法的URL请求资源的异常检测模型的建立 | 第50-58页 |
4.4.1 One-ClassSVM算法研究 | 第50页 |
4.4.2 特征提取及特征向量生成 | 第50-54页 |
4.4.3 PCA算法实现降维 | 第54-56页 |
4.4.4 异常检测模型的建立 | 第56-58页 |
4.5 基于聚类算法的URL请求参数的异常检测模型的建立 | 第58-63页 |
4.5.1 k-means算法研究 | 第58-59页 |
4.5.2 canpoy算法研究 | 第59-60页 |
4.5.3 特征提取及特征向量生成 | 第60-61页 |
4.5.4 距离计算方法 | 第61-62页 |
4.5.5 异常检测模型的建立 | 第62-63页 |
4.6 校园网Web入侵检测改进方案 | 第63-64页 |
4.7 本章小结 | 第64-66页 |
第5章 系统测试与结果分析 | 第66-76页 |
5.1 系统测试方案设计 | 第66-67页 |
5.2 校园网Web日志安全事件挖掘系统功能测试及结果分析 | 第67-73页 |
5.2.1 系统功能界面 | 第67-68页 |
5.2.2 IDC出入口流量采集测试及结果分析 | 第68-69页 |
5.2.3 校园网Web日志安全事件挖掘功能测试及结果分析 | 第69-71页 |
5.2.4 校园网Web日志安全事件统计功能测试及结果分析 | 第71-73页 |
5.3 基于机器学习算法的异常检测模型的测试及结果分析 | 第73-74页 |
5.3.1 基于One-ClassSVM算法的异常检测模型测试及结果分析 | 第73页 |
5.3.2 基于聚类算法的异常检测模型测试及结果分析 | 第73-74页 |
5.4 校园网安全防护改进方案 | 第74页 |
5.5 本章小结 | 第74-76页 |
结论 | 第76-78页 |
参考文献 | 第78-82页 |
攻读硕士学位期间发表的论文和取得的科研成果 | 第82-84页 |
致谢 | 第84页 |