基于概率模型的网络入侵检测技术研究
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-15页 |
| 1.1 选题的背景及意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.2.1 国外研究现状 | 第11-12页 |
| 1.2.2 国内研究现状 | 第12-13页 |
| 1.3 本文的主要研究内容 | 第13页 |
| 1.4 论文的组织结构 | 第13-15页 |
| 第二章 入侵检测及其技术方法 | 第15-18页 |
| 2.1 入侵检测概述 | 第15-16页 |
| 2.2 入侵检测技术方法 | 第16-18页 |
| 2.2.1 基于模式匹配的入侵检测技术 | 第16页 |
| 2.2.2 基于特征空间的入侵检测技术 | 第16-17页 |
| 2.2.3 基于概率模型的入侵检测技术 | 第17页 |
| 2.2.4 小结 | 第17-18页 |
| 第三章 基于概率模型的入侵检测技术 | 第18-26页 |
| 3.1 贝叶斯理论 | 第18-19页 |
| 3.2 基于传统概率统计模型的入侵检测技术 | 第19-21页 |
| 3.3 基于统计学习理论的入侵检测技术 | 第21-25页 |
| 3.3.1 统计学习理论 | 第21-23页 |
| 3.3.2 支持向量机 | 第23-25页 |
| 3.4 本章小结 | 第25-26页 |
| 第四章 基于改进的单类概率模型的入侵检测技术 | 第26-38页 |
| 4.1 支持向量数据描述模型 | 第26-28页 |
| 4.2 贝叶斯数据描述模型 | 第28-30页 |
| 4.3 改进的单类概率模型 | 第30-35页 |
| 4.3.1 基于 PCA 相关技术的改进 | 第30-32页 |
| 4.3.2 分类阈值的确定 | 第32页 |
| 4.3.3 模型总结 | 第32-35页 |
| 4.4 改进的单类概率模型在入侵检测中的应用 | 第35-37页 |
| 4.5 本章小结 | 第37-38页 |
| 第五章 入侵检测实验与结果分析 | 第38-44页 |
| 5.1 入侵检测的评估方法 | 第38-39页 |
| 5.2 入侵检测数据及预处理 | 第39-40页 |
| 5.3 实验相关参数 | 第40-41页 |
| 5.4 实验结果分析 | 第41-43页 |
| 5.4.1 与内部模型的比较 | 第41-43页 |
| 5.4.2 与经典模型的比较 | 第43页 |
| 5.5 本章小结 | 第43-44页 |
| 第六章 总结与展望 | 第44-45页 |
| 6.1 总结 | 第44页 |
| 6.2 展望 | 第44-45页 |
| 参考文献 | 第45-48页 |
| 致谢 | 第48-49页 |
| 作者简介 | 第49页 |
