| 摘要 | 第1-6页 |
| ABSTRACT | 第6-10页 |
| 第一章 绪论 | 第10-16页 |
| ·选题的目的和意义 | 第10-11页 |
| ·研究现状 | 第11-13页 |
| ·国外研究现状 | 第11-12页 |
| ·国内研究现状 | 第12-13页 |
| ·入侵检测发展趋势 | 第13页 |
| ·研究内容 | 第13-14页 |
| ·论文组织结构 | 第14-16页 |
| 第二章 基于数据挖掘的网络入侵检测概述 | 第16-22页 |
| ·基于数据挖掘的入侵检测系统结构 | 第16-17页 |
| ·入侵检测数据集概述 | 第17-19页 |
| ·数据集概况 | 第17页 |
| ·入侵检测数据集特征分析 | 第17-19页 |
| ·基于数据挖掘的网络入侵检测研究任务描述 | 第19-20页 |
| ·实验设计 | 第20-21页 |
| ·实验环境与数据集选取 | 第20页 |
| ·入侵检测准确率评价标准 | 第20-21页 |
| ·本章小结 | 第21-22页 |
| 第三章 基于拓扑学习的无监督网络异常检测 | 第22-29页 |
| ·现有方法存在的问题 | 第22页 |
| ·基于拓扑学习的无监督检测 | 第22-24页 |
| ·改进的自组织增量神经网络算法 | 第22-23页 |
| ·基于 ISOINN 构造的入侵检测算法 | 第23-24页 |
| ·数据精简 | 第24-25页 |
| ·基于数据精简与 ISOINN 的入侵检测方法构造 | 第24页 |
| ·基于 k-means 数据精简 | 第24-25页 |
| ·基于 PCA 数据精简 | 第25页 |
| ·实验分析 | 第25-28页 |
| ·标记准则验证 | 第25-26页 |
| ·参数选取 | 第26-27页 |
| ·对比实验 | 第27-28页 |
| ·本章小结 | 第28-29页 |
| 第四章 基于原型学习的有监督入侵检测研究 | 第29-36页 |
| ·现有文献中的不足 | 第29页 |
| ·基于原型学习构造有监督入侵检测算法 | 第29-33页 |
| ·基于原型学习的入侵检测简介 | 第29页 |
| ·加速 ISOINN 训练 | 第29-31页 |
| ·SSOINN 多视图入侵检测 | 第31页 |
| ·特征选取 | 第31-33页 |
| ·实验及分析 | 第33-34页 |
| ·SSOINN 对训练效率的提升 | 第33页 |
| ·基于 SSOINN 的入侵检测（单视图） | 第33页 |
| ·特征选取 | 第33-34页 |
| ·与其他方法的对比 | 第34页 |
| ·本章小结 | 第34-36页 |
| 第五章 基于聚类的半监督入侵检测 | 第36-42页 |
| ·现有方法的不足 | 第36页 |
| ·基于聚类的半监督检测 | 第36-39页 |
| ·使用基于聚类的半监督检测理由 | 第36-37页 |
| ·基于 SSOINN 聚类的半监督入侵检测 | 第37页 |
| ·直接标记 | 第37页 |
| ·NNDD 标记方法 | 第37-39页 |
| ·实验分析 | 第39-40页 |
| ·参数选取 | 第39页 |
| ·对比实验 | 第39-40页 |
| ·无监督，有监督和半监督检测对比 | 第40-41页 |
| ·本章小结 | 第41-42页 |
| 第六章 总结及展望 | 第42-44页 |
| ·总结 | 第42-43页 |
| ·展望 | 第43-44页 |
| 参考文献 | 第44-49页 |
| 致谢 | 第49-50页 |
| 作者简介 | 第50页 |