| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 第一章 绪论 | 第10-15页 |
| 1.1 研究背景和意义 | 第10-13页 |
| 1.2 本文研究内容 | 第13-14页 |
| 1.3 本文组织结构 | 第14页 |
| 1.4 本章小结 | 第14-15页 |
| 第二章 相关理论与关键技术概述 | 第15-40页 |
| 2.1 入侵检测概述 | 第15-27页 |
| 2.1.1 入侵检测概念分类发展 | 第15-19页 |
| 2.1.2 入侵检测中的关键技术 | 第19-21页 |
| 2.1.3 入侵检测技术性能衡量标准 | 第21页 |
| 2.1.4 入侵检测通用测试集合KDD | 第21-27页 |
| 2.2 树突细胞生物学概述 | 第27-32页 |
| 2.2.1 生物免疫与人工免疫 | 第27-29页 |
| 2.2.2 危险理论与树突细胞生物学 | 第29-32页 |
| 2.3 云计算概述 | 第32-39页 |
| 2.3.1 云计算发展 | 第32-34页 |
| 2.3.2 Hadoop技术架构与实现流程 | 第34-37页 |
| 2.3.3 Spark技术架构与实现流程 | 第37-39页 |
| 2.4 本章小结 | 第39-40页 |
| 第三章 云计算环境的入侵检测系统架构 | 第40-53页 |
| 3.1 面向云计算安全领域的入侵检测分析 | 第40-42页 |
| 3.1.1 入侵问题的具体表现 | 第40-41页 |
| 3.1.2 入侵检测的应对策略 | 第41-42页 |
| 3.1.3 入侵检测系统设计需求 | 第42页 |
| 3.2 云计算环境入侵检测系统架构设计 | 第42-49页 |
| 3.2.1 架构特性与主要组件 | 第42-44页 |
| 3.2.2 基于生物启发的云环境入侵检测 | 第44-46页 |
| 3.2.3 基于OpenStack的云综合性能日志 | 第46-49页 |
| 3.2.4 云入侵检测代理与核心检测流程 | 第49页 |
| 3.3 响应时间开销实验 | 第49-52页 |
| 3.4 本章小结 | 第52-53页 |
| 第四章 云环境入侵检测关键技术的设计与改进 | 第53-73页 |
| 4.1 传统树突细胞入侵检测模型 | 第53-60页 |
| 4.1.1 信号融合处理 | 第53-56页 |
| 4.1.2 模型详细流程 | 第56-58页 |
| 4.1.3 数据实例分析 | 第58-59页 |
| 4.1.4 优势与局限 | 第59-60页 |
| 4.2 实时树突孪生支持向量机 | 第60-65页 |
| 4.2.1 传统的离线检测 | 第60页 |
| 4.2.2 实时分析的处理 | 第60-62页 |
| 4.2.3 孪生支持向量机 | 第62-64页 |
| 4.2.4 多模型结合策略 | 第64-65页 |
| 4.3 相关实验与结果 | 第65-72页 |
| 4.3.1 实验平台与配置 | 第65页 |
| 4.3.2 数据预处理 | 第65-69页 |
| 4.3.3 基于KDD的训练 | 第69-70页 |
| 4.3.4 基于云综合性能日志的测试 | 第70-72页 |
| 4.4 本章小结 | 第72-73页 |
| 第五章 基于Spark云平台的入侵检测技术 | 第73-82页 |
| 5.1 基于Spark的模型移植性分析 | 第73-77页 |
| 5.1.1 基于RDD的操作 | 第73-74页 |
| 5.1.2 基于RDD的编程模型 | 第74-75页 |
| 5.1.3 实时树突孪生支持向量机的Spark化 | 第75-77页 |
| 5.2 Spark云平台的搭建 | 第77-78页 |
| 5.2.1 平台基础配置 | 第77-78页 |
| 5.2.2 平台搭建过程 | 第78页 |
| 5.3 相关实验与结果 | 第78-81页 |
| 5.3.1 模型训练部分 | 第78-80页 |
| 5.3.2 模型测试部分 | 第80-81页 |
| 5.4 本章小结 | 第81-82页 |
| 总结与展望 | 第82-84页 |
| 工作总结 | 第82页 |
| 工作展望 | 第82-84页 |
| 参考文献 | 第84-92页 |
| 攻读学位期间取得的成果 | 第92-93页 |
| 致谢 | 第93页 |