基于SOM神经网络的恶意用户检测算法研究
| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 缩略语 | 第9-10页 |
| 第一章 绪论 | 第10-16页 |
| 1.1 课题研究背景及意义 | 第10页 |
| 1.2 恶意用户检测机制概述 | 第10-12页 |
| 1.3 神经网络概述 | 第12-13页 |
| 1.4 主要研究内容及章节安排 | 第13-16页 |
| 第二章 自组织神经网络和核函数的基本理论 | 第16-24页 |
| 2.1 自组织神经网络概述 | 第16-18页 |
| 2.1.1 基本概念 | 第16-17页 |
| 2.1.2 聚类依据 | 第17页 |
| 2.1.3 竞争关系与归一化 | 第17-18页 |
| 2.2 SOM神经网络 | 第18-21页 |
| 2.2.1 网络简介 | 第18页 |
| 2.2.2 工作原理 | 第18-19页 |
| 2.2.3 经典SOM算法 | 第19-20页 |
| 2.2.4 SOM特点及应用 | 第20-21页 |
| 2.3 核函数 | 第21-23页 |
| 2.3.1 核方法概述 | 第21页 |
| 2.3.2 基本原理与实验步骤 | 第21-23页 |
| 2.3.3 核函数的特点 | 第23页 |
| 2.4 本章小结 | 第23-24页 |
| 第三章 基于可疑度的恶意用户判决方法 | 第24-50页 |
| 3.1 已有的检测策略 | 第24-27页 |
| 3.1.1 采用硬判决的检测算法 | 第24-25页 |
| 3.1.2 采用软判决的检测算法 | 第25-27页 |
| 3.2 模型架构 | 第27-30页 |
| 3.2.1 系统模型 | 第27-28页 |
| 3.2.2 恶意用户模型 | 第28-30页 |
| 3.3 算法描述 | 第30-35页 |
| 3.3.1 网络训练过程 | 第30-32页 |
| 3.3.2 可疑度 | 第32-34页 |
| 3.3.3 平均可疑度算法 | 第34-35页 |
| 3.4 仿真实验 | 第35-48页 |
| 3.4.1 实验思路 | 第35-38页 |
| 3.4.2 攻击量注入过程 | 第38-40页 |
| 3.4.3 性能分析 | 第40-48页 |
| 3.5 本章小结 | 第48-50页 |
| 第四章 基于K-SSOM神经网络的数据分类方法 | 第50-60页 |
| 4.1 场景描述 | 第50页 |
| 4.2 SSOM和KSOM基本理论 | 第50-52页 |
| 4.2.1 有监督SOM (SSOM)神经网络 | 第50-51页 |
| 4.2.2 核SOM (KSOM)算法 | 第51-52页 |
| 4.3 数据分类算法 | 第52-57页 |
| 4.3.1 SSOM算法流程 | 第53-56页 |
| 4.3.2 K-SSOM改进方案 | 第56-57页 |
| 4.4 仿真结果 | 第57-59页 |
| 4.5 本章小结 | 第59-60页 |
| 第五章 总结与展望 | 第60-62页 |
| 5.1 研究工作总结 | 第60页 |
| 5.2 进一步工作展望 | 第60-62页 |
| 致谢 | 第62-64页 |
| 参考文献 | 第64-66页 |
| 攻读硕士学位期间的研究成果 | 第66页 |
