摘要 | 第8-9页 |
ABSTRACT | 第9-10页 |
第1章 绪论 | 第11-17页 |
1.1 研究背景与意义 | 第11-12页 |
1.1.1 研究背景 | 第11-12页 |
1.1.2 研究意义 | 第12页 |
1.2 研究现状 | 第12-13页 |
1.2.1 随机森林研究现状 | 第12-13页 |
1.2.2 基于Spark大数据框架的随机森林算法研究现状 | 第13页 |
1.3 研究内容及主要工作 | 第13-14页 |
1.4 论文结构安排 | 第14-15页 |
1.5 本文创新点 | 第15-17页 |
第2章 相关技术及基本概念 | 第17-37页 |
2.1 Hadoop相关技术介绍 | 第17-21页 |
2.1.1 HDFS的概念特性及工作机制 | 第17-19页 |
2.1.2 MapReduce原理介绍 | 第19-20页 |
2.1.3 YARN的原理介绍 | 第20-21页 |
2.2 Spark相关技术介绍 | 第21-29页 |
2.2.1 Spark生态系统 | 第22-23页 |
2.2.2 Spark RDD | 第23-24页 |
2.2.3 Spark SQL | 第24页 |
2.2.4 Spark Streaming | 第24-25页 |
2.2.5 Spark MLlib和Spark ML | 第25-26页 |
2.2.6 Spark GraphX | 第26-27页 |
2.2.7 Spark专业术语简单介绍 | 第27-29页 |
2.3 随机森林算法介绍 | 第29-35页 |
2.3.1 决策树 | 第29-32页 |
2.3.2 随机森林定义 | 第32页 |
2.3.3 随机森林构建过程 | 第32-34页 |
2.3.4 随机森林算法的优缺点 | 第34-35页 |
2.4 特征选择相关技术介绍 | 第35页 |
2.4.1 特征选择 | 第35页 |
2.4.2 特征选择相关方法 | 第35页 |
2.5 不平衡分类相关技术介绍 | 第35-36页 |
2.5.1 不平衡数据及其特点 | 第35-36页 |
2.5.2 不平衡分类相关解决方法 | 第36页 |
2.6 本章小结 | 第36-37页 |
第3章 基于最大互信息系数的随机森林算法 | 第37-57页 |
3.1 随机森林的特征选择问题 | 第37-39页 |
3.2 最大互信息系数 | 第39-40页 |
3.3 基于最大互信息系数的随机森林算法 | 第40-43页 |
3.4 优化算法的并行化设计 | 第43-45页 |
3.4.1 数据并行化 | 第43页 |
3.4.2 任务并行化 | 第43-45页 |
3.5 实验结果与分析 | 第45-55页 |
3.5.1 实验环境准备 | 第45-48页 |
3.5.2 实验数据 | 第48-50页 |
3.5.3 实验结果 | 第50-55页 |
3.6 本章小结 | 第55-57页 |
第4章 基于GAN的随机森林算法 | 第57-75页 |
4.1 随机森林的不平衡分类问题 | 第57-59页 |
4.2 生成对抗网络 | 第59-61页 |
4.3 基于GAN的随机森林算法 | 第61-63页 |
4.4 优化算法的并行化设计 | 第63-65页 |
4.5 实验论证 | 第65-73页 |
4.5.1 实验环境 | 第65-66页 |
4.5.2 评估标准与实验数据 | 第66-68页 |
4.5.3 实验过程及实验结果 | 第68-73页 |
4.6 本章小结 | 第73-75页 |
第5章 改进随机森林算法的应用 | 第75-83页 |
5.1 算法应用领域介绍 | 第75-76页 |
5.1.1 入侵检测系统介绍 | 第75页 |
5.1.2 入侵检测相关技术介绍 | 第75-76页 |
5.2 入侵检测领域存在问题 | 第76-77页 |
5.3 具体解决方案 | 第77-78页 |
5.3.1 基于GAN的随机森林算法的应用 | 第77页 |
5.3.2 基于最大互信息系数的随机森林算法的应用 | 第77-78页 |
5.4 实验论证 | 第78-81页 |
5.4.1 实验数据与数据预处理 | 第78-80页 |
5.4.2 实验环境 | 第80页 |
5.4.3 评价标准 | 第80页 |
5.4.4 实验结果 | 第80-81页 |
5.5 本章总结 | 第81-83页 |
第6章 总结与展望 | 第83-85页 |
6.1 总结 | 第83-84页 |
6.2 展望 | 第84-85页 |
参考文献 | 第85-91页 |
致谢 | 第91-93页 |
在学期间主要研究成果 | 第93页 |
一、发表学术论文 | 第93页 |
二、其他科研成果 | 第93页 |