基于机器学习的入侵检测系统的研究与实现
| 摘要 | 第1-6页 |
| ABSTRACT | 第6-14页 |
| 第一章 绪论 | 第14-19页 |
| ·入侵检测系统的必要性 | 第14-15页 |
| ·研究现状及存在的问题 | 第15-16页 |
| ·课题研究背景及内容安排 | 第16-18页 |
| ·本文的章节安排 | 第18-19页 |
| 第二章入侵检测技术与网络攻击分析 | 第19-27页 |
| ·入侵检测概述 | 第19-21页 |
| ·入侵检测发展历史 | 第19-20页 |
| ·入侵检测的模型 | 第20-21页 |
| ·入侵检测的分类 | 第21-23页 |
| ·根据数据源分类 | 第21-22页 |
| ·根据分析引擎分类 | 第22-23页 |
| ·入侵检测方法现状分析 | 第23-24页 |
| ·网络攻击分析 | 第24-27页 |
| ·攻击过程的一般性描述 | 第24-26页 |
| ·网络攻击方法 | 第26页 |
| ·网络攻击的发展趋势 | 第26-27页 |
| 第三章 统计学习理论与最小二乘支持向量机 | 第27-43页 |
| ·统计学习理论 | 第27-31页 |
| ·学习问题的表示 | 第27-28页 |
| ·经验风险最小化原则(ERM) | 第28页 |
| ·ＶＣ维 | 第28-29页 |
| ·推广性的界 | 第29-30页 |
| ·结构风险最小化原则(SRM) | 第30-31页 |
| ·支持向量机 | 第31-34页 |
| ·广义最优分类面 | 第31-33页 |
| ·支持向量机 | 第33-34页 |
| ·最小二乘支持向量机 | 第34-43页 |
| ·LS-SVM 的基本原理 | 第34-36页 |
| ·贯序最小优化算法对海量样本的训练 | 第36-39页 |
| ·贯序最小优化算法的基本原理 | 第36页 |
| ·两个Lagrange 乘子的优化问题 | 第36-38页 |
| ·如何选择两个要优化的拉格朗日乘子 | 第38-39页 |
| ·计算阈值b | 第39页 |
| ·稀疏LS-SVM 算法 | 第39-40页 |
| ·鲁棒性的LS-SVM | 第40-42页 |
| ·交叉确认法确定LS-SVM 的参数 | 第42-43页 |
| 第四章 系统框架设计与实现 | 第43-59页 |
| ·框架设计 | 第43-44页 |
| ·网络数据采集模块 | 第44-45页 |
| ·网络数据预处理 | 第45-49页 |
| ·数据格式转换 | 第45-46页 |
| ·异构数据集上的距离度量函数HVDM | 第46-48页 |
| ·预处理流程 | 第48-49页 |
| ·改进的最小二乘支持向量机分类器设计 | 第49-59页 |
| ·奇异值分解（SVD） | 第49-50页 |
| ·主成分分析理论的简介 | 第50-51页 |
| ·主成分分析法的计算方法 | 第51-53页 |
| ·基于统计分析的LSSVM 稀疏化算法基本思想 | 第53-54页 |
| ·样本个体的分类重要性 | 第54页 |
| ·非支持向量的信息转移 | 第54-55页 |
| ·PCA-LSSVM 稀疏化算法 | 第55-56页 |
| ·分类器的设计 | 第56-57页 |
| ·决策响应模块 | 第57-59页 |
| ·响应策略定义 | 第57-58页 |
| ·基于策略的主动响应 | 第58页 |
| ·恢复响应 | 第58-59页 |
| 第五章 实验及数据分析 | 第59-68页 |
| ·实验数据准备 | 第59-61页 |
| ·训练数据的选取 | 第59页 |
| ·训练数据及测试数据的构成 | 第59-61页 |
| ·核函数的确定和参数的选择 | 第61-64页 |
| ·核函数的确定 | 第61-62页 |
| ·三步搜索法进行参数的选择 | 第62-64页 |
| ·实验结果及分析 | 第64-68页 |
| 第六章 结论与展望 | 第68-70页 |
| ·本论文的主要工作 | 第68-69页 |
| ·下一步的工作展望 | 第69-70页 |
| 参考文献 | 第70-74页 |
| 致谢 | 第74-75页 |
| 在学习期间的学术成果和发表论文 | 第75页 |
