智能手机入侵检测系统的研究
| 致谢 | 第1-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7-10页 |
| 1 引言 | 第10-17页 |
| ·研究背景 | 第10-13页 |
| ·智能手机发展及现状 | 第11-12页 |
| ·入侵检测的发展及现状 | 第12-13页 |
| ·智能手机在入侵检测的研究进展 | 第13-14页 |
| ·研究问题的提出及研究意义 | 第14-15页 |
| ·论文的主要工作 | 第15-16页 |
| ·本章小结 | 第16-17页 |
| 2 基础知识 | 第17-37页 |
| ·智能手机 | 第17-19页 |
| ·智能手机的特点 | 第17-18页 |
| ·智能手机操作系统 | 第18-19页 |
| ·入侵检测 | 第19-25页 |
| ·入侵检测系统的基本构成 | 第19-20页 |
| ·入侵检测系统的分类 | 第20-24页 |
| ·异常入侵检测的几类模型 | 第24-25页 |
| ·数据挖掘 | 第25-29页 |
| ·数据挖掘的概念 | 第25-26页 |
| ·数据挖掘的主要方法 | 第26-28页 |
| ·数据挖掘与入侵检测的结合 | 第28-29页 |
| ·Weka | 第29页 |
| ·支持向量机 | 第29-36页 |
| ·支持向量机的概念 | 第30-31页 |
| ·线性支持向量机 | 第31-32页 |
| ·非线性支持向量机 | 第32-33页 |
| ·核函数 | 第33-34页 |
| ·LIBSVM | 第34-36页 |
| ·本章小结 | 第36-37页 |
| 3 基于智能手机的入侵检测系统 | 第37-59页 |
| ·入侵检测系统的结构 | 第37-38页 |
| ·数据采集模块 | 第38-42页 |
| ·Android系统的优势 | 第38页 |
| ·确定手机型号 | 第38-39页 |
| ·Android系统模拟环境 | 第39-40页 |
| ·手机数据采集 | 第40-42页 |
| ·安全分析模块 | 第42-57页 |
| ·聚类——DBSCAN算法 | 第44-46页 |
| ·关联规则——Apriori算法 | 第46-49页 |
| ·分类——贝叶斯算法 | 第49-51页 |
| ·C-SVC算法 | 第51-53页 |
| ·ν-SVC算法 | 第53-55页 |
| ·One-Class-SVM算法 | 第55-57页 |
| ·响应模块 | 第57-58页 |
| ·本章小结 | 第58-59页 |
| 4 实验结果及分析 | 第59-65页 |
| ·实验结果 | 第59-64页 |
| ·DBSCAN算法的实验结果 | 第59-60页 |
| ·Apriori算法的实验结果 | 第60-61页 |
| ·贝叶斯算法的实验结果 | 第61-62页 |
| ·C-SVC和v-SVC的实验结果 | 第62-63页 |
| ·One-Class-SVM的实验结果 | 第63-64页 |
| ·本章小结 | 第64-65页 |
| 5 总结与展望 | 第65-67页 |
| ·研究工作总结 | 第65页 |
| ·展望 | 第65-67页 |
| 参考文献 | 第67-70页 |
| 作者简历 | 第70-72页 |
| 学位论文数据集 | 第72页 |
