| 摘要 | 第3-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第9-16页 |
| 1.1 课题研究的背景与意义 | 第9-11页 |
| 1.2 国内外研究现状 | 第11-14页 |
| 1.2.1 提高匹配引擎匹配效率的研究 | 第11-13页 |
| 1.2.2 人工鱼群算法的产生与发展 | 第13-14页 |
| 1.3 本文研究工作及主要内容概述 | 第14-16页 |
| 第2章 正则表达式问题综述 | 第16-29页 |
| 2.1 正则表达式分组 | 第16-19页 |
| 2.1.1 正则表达式的特征及其应用 | 第16-17页 |
| 2.1.2 正则表达式匹配引擎 | 第17-18页 |
| 2.1.3 正则表达式分组的数学模型 | 第18-19页 |
| 2.2 最小冲突分组算法 | 第19-23页 |
| 2.3 假设冲突独立的最小新增冲突分组算法 | 第23-28页 |
| 2.4 本章小结 | 第28-29页 |
| 第3章 基于AFSA优化的正则表达式分组算法 | 第29-47页 |
| 3.1 基本人工鱼群算法 | 第29-32页 |
| 3.1.1 觅食行为 | 第30-31页 |
| 3.1.2 聚群行为 | 第31页 |
| 3.1.3 追尾行为 | 第31页 |
| 3.1.4 随机游动行为 | 第31-32页 |
| 3.1.5 基本人工鱼群算法流程 | 第32页 |
| 3.2 GRE-AFSA算法 | 第32-34页 |
| 3.2.1 重新定义了觅食行为 | 第33页 |
| 3.2.2 重新定义了人工鱼的距离 | 第33-34页 |
| 3.3 GRE-AFSA的实验结果 | 第34-45页 |
| 3.3.1 实验环境及算法参数设定 | 第35页 |
| 3.3.2 Snort规则集实验仿真结果 | 第35-37页 |
| 3.3.3 GRE-AFSA与其他几种智能分组算法对比 | 第37-38页 |
| 3.3.4 L7-filter规则集实验仿真结果 | 第38-41页 |
| 3.3.5 实验结果分析 | 第41-45页 |
| 3.4 本章小结 | 第45-47页 |
| 第4章 人工鱼群算法相关改进的分组算法 | 第47-68页 |
| 4.1 GRE-ACO-AFSA分组算法 | 第47-60页 |
| 4.1.1 蚁群算法的寻优原理 | 第47-48页 |
| 4.1.2 GRE-ACO-AFSA分组算法 | 第48页 |
| 4.1.3 启发信息矩阵和冲突矩阵 | 第48-49页 |
| 4.1.4 ACO解码AFSA序列 | 第49页 |
| 4.1.5 GRE-ACO-AFSA算法步骤与流程 | 第49-51页 |
| 4.1.6 实验仿真结果 | 第51-60页 |
| 4.2 GRE-Mutli-AFSA | 第60-66页 |
| 4.2.1 万有引力搜索算法 | 第60-62页 |
| 4.2.2 融合万有引力的觅食行为 | 第62-63页 |
| 4.2.3 GRE-Mutli-AFSA算法描述 | 第63-64页 |
| 4.2.4 GRE-Mutli-AFSA算法实验结果 | 第64-66页 |
| 4.3 本章小结 | 第66-68页 |
| 第5章 总结与展望 | 第68-70页 |
| 5.1 全文总结 | 第68-69页 |
| 5.2 未来展望 | 第69-70页 |
| 参考文献 | 第70-74页 |
| 致谢 | 第74-75页 |
| 攻读硕士学位期间的研究成果 | 第75页 |
