入侵检测中基于机器学习的流量异常模式识别研究
| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 第一章 绪论 | 第12-18页 |
| 1.1 研究背景和意义 | 第12-13页 |
| 1.2 研究现状 | 第13-15页 |
| 1.3 论文研究内容和主要贡献 | 第15-16页 |
| 1.4 论文组织结构 | 第16页 |
| 1.5 本章总结 | 第16-18页 |
| 第二章 通用入侵检测理论 | 第18-22页 |
| 2.1 网络入侵 | 第18-19页 |
| 2.2 通用入侵检测基本功能 | 第19页 |
| 2.3 通用入侵检测基本框架 | 第19-20页 |
| 2.4 通用入侵检测基本类型 | 第20-21页 |
| 2.4.1 根据检测位置分类 | 第20-21页 |
| 2.4.2 根据检测策略分类 | 第21页 |
| 2.5 本章总结 | 第21-22页 |
| 第三章 机器学习理论 | 第22-32页 |
| 3.1 机器学习基本概念 | 第22-23页 |
| 3.2 softmax回归 | 第23-25页 |
| 3.2.1 逻辑斯蒂回归 | 第23-24页 |
| 3.2.2 softmax回归 | 第24-25页 |
| 3.3 支持向量机 | 第25-27页 |
| 3.3.1 支持向量机的原始形式 | 第25-26页 |
| 3.3.2 支持向量机的对偶形式 | 第26-27页 |
| 3.3.3 核函数 | 第27页 |
| 3.4 随机森林 | 第27-30页 |
| 3.4.1 决策树 | 第27-29页 |
| 3.4.2 集成学习与随机森林 | 第29-30页 |
| 3.5 k-means聚类 | 第30页 |
| 3.6 本章总结 | 第30-32页 |
| 第四章 模型构建 | 第32-48页 |
| 4.1 网络流量数据影响模型鲁棒性分析 | 第32-36页 |
| 4.2 模式 | 第36-37页 |
| 4.3 提出方案(MSML-IDS) | 第37-39页 |
| 4.3.1 方案概述 | 第37-39页 |
| 4.3.2 方案目标 | 第39页 |
| 4.4 纯簇抽离模块 | 第39-42页 |
| 4.5 模式发现模块 | 第42-44页 |
| 4.6 未知模式细分类模块 | 第44-45页 |
| 4.7 模型更新模块 | 第45-46页 |
| 4.8 本章总结 | 第46-48页 |
| 第五章 实验评估 | 第48-68页 |
| 5.1 KDDCUP99数据集 | 第48-49页 |
| 5.2 构成实验数据集 | 第49-51页 |
| 5.2.1 非同分布数据集 | 第50页 |
| 5.2.2 同分步数据集 | 第50-51页 |
| 5.3 数据预处理 | 第51-52页 |
| 5.4 评估指标与模型偏好 | 第52-55页 |
| 5.4.1 通用指标 | 第52-53页 |
| 5.4.2 特色指标 | 第53-54页 |
| 5.4.3 准确率上下界分析和模型偏好 | 第54-55页 |
| 5.5 基准实验 | 第55-58页 |
| 5.5.1 非同分布数据集 | 第55-57页 |
| 5.5.2 同分布数据集 | 第57-58页 |
| 5.6 MSML-IDS的两种模型实现对比 | 第58-63页 |
| 5.6.1 基于簇的MSML-IDS | 第58-60页 |
| 5.6.2 基于单类支持向量机的MSML-IDS | 第60-62页 |
| 5.6.3 两种MSML-IDS模型实验对比 | 第62-63页 |
| 5.7 MSML-IDS模型框架实验结果 | 第63-67页 |
| 5.7.1 非同分布数据集 | 第63-66页 |
| 5.7.2 同分布数据集 | 第66页 |
| 5.7.3 同行研究者比较 | 第66-67页 |
| 5.8 本章总结 | 第67-68页 |
| 第六章 总结与展望 | 第68-70页 |
| 6.1 研究总结 | 第68-69页 |
| 6.2 研究展望 | 第69-70页 |
| 参考文献 | 第70-74页 |
| 致谢 | 第74-76页 |
| 攻读学位期间取得的研究成果 | 第76页 |
