卷积神经网络在入侵检测系统中的研究与应用
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第11-17页 |
| 1.1 选题背景及研究意义 | 第11-13页 |
| 1.2 国内外研究现状 | 第13-14页 |
| 1.3 研究内容与创新点 | 第14-15页 |
| 1.4 论文组织架构 | 第15-17页 |
| 第二章 入侵检测系统概述 | 第17-26页 |
| 2.1 入侵检测系统 | 第17-20页 |
| 2.1.1 入侵和入侵检测 | 第17页 |
| 2.1.2 入侵检测系统 | 第17-20页 |
| 2.2 入侵检测系统架构 | 第20-22页 |
| 2.2.1 入侵检测系统组成 | 第20-21页 |
| 2.2.2 入侵检测系统架构 | 第21-22页 |
| 2.3 入侵检测算法 | 第22-25页 |
| 2.4 本章小结 | 第25-26页 |
| 第三章 基于LeNet-5的入侵检测模型 | 第26-45页 |
| 3.1 卷积神经网络 | 第26-29页 |
| 3.1.1 浅层学习算法 | 第26-28页 |
| 3.1.2 卷积神经网络 | 第28-29页 |
| 3.2 网络连接数据分析 | 第29-36页 |
| 3.2.1 数据集介绍 | 第29-30页 |
| 3.2.2 分类标签属性 | 第30-32页 |
| 3.2.3 网络连接特征分析 | 第32-36页 |
| 3.3 算法模型结构 | 第36-43页 |
| 3.3.1 算法模型 | 第36-37页 |
| 3.3.2 算法结构 | 第37-43页 |
| 3.4 LeNet-5入侵检测模型的不足 | 第43-44页 |
| 3.5 本章小结 | 第44-45页 |
| 第四章 改进LeNet-5入侵检测模型 | 第45-56页 |
| 4.1 优化卷积神经网络结构 | 第45-46页 |
| 4.1.1 改进思想 | 第45页 |
| 4.1.2 改进方法 | 第45-46页 |
| 4.2 优化特征集选择 | 第46-52页 |
| 4.2.1 改进思想 | 第46-47页 |
| 4.2.2 改进方法 | 第47-52页 |
| 4.3 优化降维采样算法 | 第52-54页 |
| 4.3.1 改进思想 | 第52-53页 |
| 4.3.2 改进方法 | 第53-54页 |
| 4.4 改进LeNet-5入侵检测最终模型 | 第54-55页 |
| 4.5 本章小结 | 第55-56页 |
| 第五章 实验结果与对比分析 | 第56-76页 |
| 5.1 实验数据与预处理 | 第56-59页 |
| 5.1.1 实验数据 | 第56-57页 |
| 5.1.2 数值化处理 | 第57-58页 |
| 5.1.3 归一化处理 | 第58-59页 |
| 5.2 实验细节与结果评估指标 | 第59-61页 |
| 5.2.1 实验环境和参数设置 | 第59-60页 |
| 5.2.2 入侵检测系统评估指标 | 第60-61页 |
| 5.3 实验结果 | 第61-68页 |
| 5.3.1 LeNet-5模型实验结果 | 第62-64页 |
| 5.3.2 改进LeNet-5模型实验结果 | 第64-68页 |
| 5.4 对比与分析 | 第68-74页 |
| 5.4.1 本文模型对比与分析 | 第68-72页 |
| 5.4.2 其他对比与分析 | 第72-74页 |
| 5.5 本章小结 | 第74-76页 |
| 总结与展望 | 第76-79页 |
| 参考文献 | 第79-84页 |
| 攻读硕士学位期间取得的研究成果 | 第84-85页 |
| 致谢 | 第85-86页 |
| 附件 | 第86页 |
