| 摘要 | 第1-4页 |
| Abstract | 第4-8页 |
| 第1章 绪论 | 第8-12页 |
| ·研究背景及意义 | 第8-9页 |
| ·研究现状 | 第9-10页 |
| ·研究内容 | 第10-11页 |
| ·论文内容结构 | 第11-12页 |
| 第2章 入侵检测系统概述 | 第12-20页 |
| ·入侵检测的概述 | 第12页 |
| ·入侵检测的分类 | 第12-15页 |
| ·根据入侵检测对象不同来分类 | 第13-14页 |
| ·从数据分析手段或检测原理进行分类 | 第14-15页 |
| ·根据入侵检测系统实时性进行分类 | 第15页 |
| ·入侵检测技术的新方法 | 第15-16页 |
| ·入侵检测发展趋势 | 第16-18页 |
| ·入侵检测系统性能评估 | 第18-19页 |
| ·本章小结 | 第19-20页 |
| 第3章 统计学习理论和支持向量机 | 第20-30页 |
| ·统计学习理论 | 第20-23页 |
| ·学习问题表示 | 第20-22页 |
| ·经验风险最小化原则 | 第22页 |
| ·VC 维 | 第22页 |
| ·推广性的界 | 第22-23页 |
| ·支持向量原理与算法 | 第23-27页 |
| ·最优分类超平面 | 第23-25页 |
| ·支持向量机 | 第25-26页 |
| ·核函数 | 第26页 |
| ·简单增量 SVM | 第26-27页 |
| ·广义 KKT 条件 | 第27-28页 |
| ·增量式 SVM 算法 | 第28-29页 |
| ·本章小结 | 第29-30页 |
| 第4章 基于 RS-ISVM 的网络入侵检测模型 | 第30-42页 |
| ·粗糙集的特点与支持向量机结合的优势 | 第30-31页 |
| ·粗糙集的特点 | 第30-31页 |
| ·粗糙集与支持向量机结合的优势 | 第31页 |
| ·粗糙集理论 | 第31-34页 |
| ·粗糙集理论简介 | 第32-33页 |
| ·粗糙集的约简和核 | 第33页 |
| ·可辨识矩阵 | 第33-34页 |
| ·粗糙集属性约简算法 | 第34页 |
| ·实验与结果分析 | 第34-41页 |
| ·实验数据集描述 | 第34-36页 |
| ·核函数及参数选择 | 第36-37页 |
| ·基于 RS-ISVM 的入侵检测模型实验 | 第37-41页 |
| ·本章总结 | 第41-42页 |
| 第5章 一种基于 SVM 和 LVQ 神经网络的入侵检测方法 | 第42-47页 |
| ·LVQ 神经网络 | 第42-43页 |
| ·LVQ 网络学习算法 | 第43-44页 |
| ·LVQ 网络学习过程 | 第44-45页 |
| ·基于 SVM 和 LVQ 神经网络的入侵检测方法 | 第45-46页 |
| ·基于 SVM-LVQ 入侵检测模型实验 | 第46页 |
| ·本章小结 | 第46-47页 |
| 第6章 总结与展望 | 第47-49页 |
| ·本文研究内容总结 | 第47-48页 |
| ·研究展望 | 第48-49页 |
| 参考文献 | 第49-53页 |
| 个人简历 | 第53-54页 |
| 致谢 | 第54-55页 |
| 附录（攻读硕士学位期间公开发表的论文） | 第55页 |