基于机器学习和数据挖掘的入侵检测技术研究
| 独创性声明 | 第1-4页 |
| 摘要 | 第4-5页 |
| ABSTRACT | 第5-7页 |
| 目录 | 第7-9页 |
| 第一章 引言 | 第9-13页 |
| 1．1 研究背景 | 第9-11页 |
| 1．2 研究内容及现实意义 | 第11-12页 |
| 1．3 本文组织结构 | 第12-13页 |
| 第二章 入侵检测系统概述 | 第13-23页 |
| 2．1 入侵检测系统简介 | 第13页 |
| 2．2 CIDF模型 | 第13-14页 |
| 2．3 入侵检测系统分类 | 第14-15页 |
| 2．4 入侵检测的发展简史 | 第15-20页 |
| 2．4．1 概念的诞生 | 第16页 |
| 2．4．2 模型的雏形 | 第16页 |
| 2．4．3 入侵检测技术的蓬勃发展 | 第16-18页 |
| 2．4．4 入侵检测未来的发展方向 | 第18-20页 |
| 2．5 相关工作 | 第20-22页 |
| 2．5．1 入侵检测模型 | 第20-21页 |
| 2．5．2 报警关联模型 | 第21-22页 |
| 2．6 小结 | 第22-23页 |
| 第三章 最大熵入侵检测模型 | 第23-36页 |
| 3．1 最大熵建模 | 第23-25页 |
| 3．2 最大熵模型的参数形式推导 | 第25-27页 |
| 3．3 参数计算 | 第27-29页 |
| 3．3．1 GIS算法 | 第27-29页 |
| 3．3．2 Variable Metric算法 | 第29页 |
| 3．4 基于最大嫡模型的入侵检测 | 第29-35页 |
| 3．4．1 机器学习技术 | 第30页 |
| 3．4．2 入侵检测的形式化定义 | 第30-31页 |
| 3．4．3 数据的表示方法 | 第31页 |
| 3．4．4 属性离散化 | 第31-32页 |
| 3．4．5 特征函数构造 | 第32-33页 |
| 3．4．6 参数规则化 | 第33-35页 |
| 3．5 小结 | 第35-36页 |
| 第四章 基于序列模式挖掘的报警关联 | 第36-45页 |
| 4．1 问题的提出 | 第36-37页 |
| 4．2 预备知识 | 第37-39页 |
| 4．3 数据源及方法配置 | 第39-40页 |
| 4．4 报警关联算法 | 第40-43页 |
| 4．5 参数优化 | 第43-44页 |
| 4．6 小结 | 第44-45页 |
| 第五章 实验及结果分析 | 第45-61页 |
| 5．1 最大熵入侵检测 | 第45-55页 |
| 5．1．1 数据源 | 第45-46页 |
| 5．1．2 性能指标 | 第46页 |
| 5．1．3 实验结果 | 第46-55页 |
| 5．2 报警关联分析 | 第55-59页 |
| 5．2．1 隐马尔柯夫模型 | 第56-57页 |
| 5．2．2 试验结果及分析 | 第57-59页 |
| 5．3 小结 | 第59-61页 |
| 第六章 结论 | 第61-63页 |
| 6．1 本文的结论 | 第61-62页 |
| 6．1．1 最大熵检测模型 | 第61页 |
| 6．1．2 报警关联模型 | 第61-62页 |
| 6．2 未来的研究方向 | 第62-63页 |
| 参考文献 | 第63-67页 |
| 致谢 | 第67-68页 |
| 攻硕期间参加的项目与发表的论文 | 第68-70页 |
