| 摘要 | 第1-5页 |
| Abstract | 第5-9页 |
| 1 绪论 | 第9-14页 |
| ·选题的背景和意义 | 第9-10页 |
| ·研究现状与应用 | 第10-12页 |
| ·目前存在的问题 | 第12页 |
| ·本文的主要工作 | 第12-14页 |
| 2 入侵检测技术概述 | 第14-25页 |
| ·入侵检测的概念 | 第14页 |
| ·入侵检测系统的基本组成 | 第14-15页 |
| ·入侵检测的原理及作用 | 第15-16页 |
| ·入侵检测系统的分类 | 第16-20页 |
| ·按照信息源的分类 | 第16-17页 |
| ·按照检测方法的分类 | 第17-20页 |
| ·先进的入侵检测技术 | 第20-25页 |
| ·神经网络技术应用于入侵检测领域 | 第20-21页 |
| ·数据挖掘技术应用于入侵检测领域 | 第21-23页 |
| ·数据融合与入侵检测技术 | 第23页 |
| ·计算机免疫学与入侵检测技术 | 第23-25页 |
| 3 聚类分析概述 | 第25-29页 |
| ·聚类分析简介 | 第25页 |
| ·聚类分析算法的基本步骤 | 第25-26页 |
| ·主要聚类方法的分类 | 第26-27页 |
| ·本文使用的聚类算法——K-means | 第27-29页 |
| ·K-means算法的基本步骤 | 第27页 |
| ·K-means算法的原理 | 第27-29页 |
| 4 K-means和TASVM以及特征选择算法在入侵检测系统中的研究 | 第29-46页 |
| ·论文解决的问题 | 第29-30页 |
| ·特征选择 | 第29页 |
| ·高维特征向量的处理 | 第29-30页 |
| ·融合无监督学习与监督学习的算法 | 第30页 |
| ·特征选择 | 第30-37页 |
| ·数据约减的几种方式 | 第31页 |
| ·特征选择的必要性 | 第31-32页 |
| ·特征选择在入侵检测中的应用 | 第32页 |
| ·特征选择的几种算法 | 第32-33页 |
| ·本文使用的特征选择算法 | 第33-37页 |
| ·基于三角形面积的支持向量机算法(TASVM) | 第37-42页 |
| ·基于三角形面积的方法 | 第37页 |
| ·改进后的基于三角形面积的支持向量机算法——TASVM | 第37-42页 |
| ·支持向量机(SVM) | 第42-46页 |
| ·统计学习理论的简介 | 第42页 |
| ·支持向量机的相关概念与原理 | 第42-46页 |
| 5 K-means,TASVM与特征选择算法在入侵检测系统中的性能实验分析 | 第46-57页 |
| ·KDD Cup 1999数据集 | 第46-48页 |
| ·对比实验 | 第48-57页 |
| 结论 | 第57-58页 |
| 参考文献 | 第58-61页 |
| 攻读硕士学位期间发表学术论文情况 | 第61-62页 |
| 致谢 | 第62-63页 |
