基于数据挖掘的自适应入侵检测系统设计与仿真
| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第一章 绪论 | 第9-15页 |
| 1.1 研究背景和意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-13页 |
| 1.3 研究内容 | 第13-14页 |
| 1.4 论文结构 | 第14-15页 |
| 第二章 入侵检测理论基础和技术 | 第15-24页 |
| 2.1 入侵检测理论基础 | 第15-18页 |
| 2.1.1 入侵检测定义 | 第15-16页 |
| 2.1.2 入侵检测系统的分类 | 第16-17页 |
| 2.1.3 入侵检测面临的问题 | 第17-18页 |
| 2.2 自适应入侵检测相关研究 | 第18-19页 |
| 2.3 数据挖掘应用于入侵检测 | 第19-21页 |
| 2.3.1 数据挖掘应用于入侵检测可行性 | 第19-20页 |
| 2.3.2 常用数据挖掘算法 | 第20-21页 |
| 2.4 基于数据挖掘的自适应入侵检测模型设计 | 第21-22页 |
| 2.4.1 设计原则 | 第21页 |
| 2.4.2 模型结构 | 第21-22页 |
| 2.5 本章小结 | 第22-24页 |
| 第三章 自适应空间构建 | 第24-33页 |
| 3.1 自适应策略 | 第24页 |
| 3.1.1 自适应检测必要性 | 第24页 |
| 3.1.2 自适应策略的描述 | 第24页 |
| 3.2 状态空间 | 第24-30页 |
| 3.2.1 相关工作 | 第25-26页 |
| 3.2.2 网络安全态势认知模型 | 第26-29页 |
| 3.2.3 算法流程及重要步骤 | 第29-30页 |
| 3.3 实验分析 | 第30-32页 |
| 3.3.1 安全态势评估 | 第30-31页 |
| 3.3.2 安全态势值预测 | 第31-32页 |
| 3.3.3 实验结果分析及阈值判断 | 第32页 |
| 3.4 本章小结 | 第32-33页 |
| 第四章 基于孤立森林的入侵检测方法 | 第33-44页 |
| 4.1 相关工作 | 第33页 |
| 4.2 理论基础 | 第33-35页 |
| 4.3 孤立森林算法用于入侵检测 | 第35-38页 |
| 4.3.1 可行性分析 | 第35-36页 |
| 4.3.2 算法设计与实现 | 第36-37页 |
| 4.3.3 异常分数计算 | 第37-38页 |
| 4.3.4 孤立森林的不足 | 第38页 |
| 4.4 Rough set属性约简 | 第38-41页 |
| 4.4.1 相关工作 | 第38-39页 |
| 4.4.2 特征选择对于入侵检测好处 | 第39页 |
| 4.4.3 粗糙集方法步骤 | 第39-41页 |
| 4.5 实验结果和分析 | 第41-43页 |
| 4.5.1 粗糙集属性约简 | 第41页 |
| 4.5.2 孤立森林检测 | 第41-43页 |
| 4.6 本章小结 | 第43-44页 |
| 第五章 基于谱聚类的入侵检测方法 | 第44-54页 |
| 5.1 相关工作 | 第44页 |
| 5.2 基于谱聚类的入侵检测方法 | 第44-51页 |
| 5.2.1 相关概念 | 第44-47页 |
| 5.2.2 谱聚类算法 | 第47-49页 |
| 5.2.3 基于谱聚类的入侵检测方法 | 第49-50页 |
| 5.2.4 算法改进 | 第50-51页 |
| 5.3 实验分析 | 第51-53页 |
| 5.3.1 谱聚类效果 | 第51-52页 |
| 5.3.2 算法对比 | 第52-53页 |
| 5.4 本章小结 | 第53-54页 |
| 第六章 总结与展望 | 第54-56页 |
| 6.1 论文总结 | 第54-55页 |
| 6.2 展望 | 第55-56页 |
| 参考文献 | 第56-62页 |
| 致谢 | 第62-63页 |
| 在学期间发表的论文与研究成果 | 第63-65页 |
