| 提要 | 第1-7页 |
| 第1章 绪论 | 第7-10页 |
| ·研究背景 | 第7-8页 |
| ·研究现状 | 第8-9页 |
| ·模型整体结构 | 第9页 |
| ·论文整体结构安排 | 第9-10页 |
| 第2章 入侵检测技术的研究与分析 | 第10-14页 |
| ·入侵检测的定义 | 第10-11页 |
| ·入侵检测的分类 | 第11-12页 |
| ·入侵检测系统的模型 | 第12-13页 |
| ·入侵检测的发展方向 | 第13-14页 |
| 第3章 基于支持向量机的在线无监督入侵检测系统模型设计 | 第14-18页 |
| ·构造在线无监督入侵检测模型 | 第14-15页 |
| ·DARPA数据集 | 第15-18页 |
| ·DARPA数据集简介 | 第15-16页 |
| ·BSM审计记录简介 | 第16-18页 |
| 第4章 数据预处理 | 第18-32页 |
| ·数据转化 | 第18-23页 |
| ·数据转化器的定义 | 第18页 |
| ·审计记录及审计系统 | 第18-19页 |
| ·基于系统调用的审计记录 | 第19-20页 |
| ·数据转化器设计过程 | 第20-23页 |
| ·数据扫描 | 第23-32页 |
| ·数据挖掘的概念及意义 | 第23-24页 |
| ·数据挖掘的功能 | 第24-26页 |
| ·基于聚类的数据扫描 | 第26-32页 |
| 第5章 基于支持向量机的训练器 | 第32-42页 |
| ·统计学习理论 | 第32-35页 |
| ·经验风险 | 第32-33页 |
| ·学习过程的一致性 | 第33页 |
| ·VC维 | 第33-34页 |
| ·结构风险最小化原则 | 第34-35页 |
| ·支持向量机 | 第35-42页 |
| ·支持向量机 | 第35页 |
| ·原始问题与对偶问题 | 第35-36页 |
| ·超平面 | 第36页 |
| ·线性分类学习机与非线性分类学习机 | 第36-40页 |
| ·核函数 | 第40-42页 |
| 第6章 实验结果 | 第42-44页 |
| 第7章 总结和未来工作 | 第44-45页 |
| 参考文献 | 第45-48页 |
| 致谢 | 第48-49页 |
| 摘要 | 第49-51页 |
| Abstract | 第51-53页 |