| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-15页 |
| 1.1 研究的背景及意义 | 第10-12页 |
| 1.1.1 研究背景 | 第10-11页 |
| 1.1.2 研究意义 | 第11-12页 |
| 1.2 数据挖掘在入侵检测系统中应用的研究现状 | 第12-13页 |
| 1.3 本文组织结构 | 第13-15页 |
| 第2章 入侵检测系统中的数据挖掘 | 第15-21页 |
| 2.1 入侵检测系统概述 | 第15-16页 |
| 2.2 入侵检测系统中的数据挖掘算法 | 第16-20页 |
| 2.2.1 监督学习 | 第16-18页 |
| 2.2.2 无监督学习 | 第18-19页 |
| 2.2.3 半监督学习和强化学习 | 第19-20页 |
| 2.3 本章小结 | 第20-21页 |
| 第3章 数据降维在入侵检测系统中的应用研究 | 第21-35页 |
| 3.1 数据降维概述 | 第21-22页 |
| 3.2 基于空间相关性的数据降维算法 | 第22-26页 |
| 3.2.1 基于空间相关性的数据降维算法理论介绍 | 第23-24页 |
| 3.2.2 基于空间相关性的数据降维算法流程 | 第24-26页 |
| 3.3 负反馈学习方法 | 第26-28页 |
| 3.3.1 负反馈学习方法概述 | 第26页 |
| 3.3.2 负反馈学习在入侵检测模型中的应用流程 | 第26-28页 |
| 3.4 实验部分 | 第28-34页 |
| 3.4.1 实验数据集介绍 | 第28-29页 |
| 3.4.2 模型性能评测标准 | 第29页 |
| 3.4.3 实验结果分析与对比 | 第29-34页 |
| 3.5 本章小结 | 第34-35页 |
| 第4章 相似性计算算法在“钓鱼”URL检测中的应用研究 | 第35-43页 |
| 4.1“钓鱼”检测概述 | 第35-36页 |
| 4.2 相似性计算算法介绍 | 第36-37页 |
| 4.3 相似性计算算法在“钓鱼”URL检测中的应用研究 | 第37-38页 |
| 4.4 实验结果展示 | 第38-42页 |
| 4.5 本章小结 | 第42-43页 |
| 第5章 SVM在登录页面自动验证中的应用研究 | 第43-51页 |
| 5.1 登录页面自动验证概述 | 第43页 |
| 5.2 基于SVM的登录页面识别模型 | 第43-47页 |
| 5.2.1 机器学习建模流程 | 第43-44页 |
| 5.2.2 页面内容的向量化表示流程 | 第44-46页 |
| 5.2.3 登录页面识别模型的训练流程 | 第46-47页 |
| 5.3 实验结果与分析 | 第47-50页 |
| 5.4 本章小结 | 第50-51页 |
| 第6章 结束语 | 第51-53页 |
| 参考文献 | 第53-57页 |
| 作者简介及在学期间取得的科研成果 | 第57-58页 |
| 致谢 | 第58页 |