流量预测算法在入侵检测系统中的应用
| 摘要 | 第1-4页 |
| ABSTRACT | 第4-9页 |
| 第1章 绪论 | 第9-16页 |
| ·研究意义及背景 | 第9-10页 |
| ·入侵检测系统的功能 | 第9页 |
| ·流量预测组合算法 | 第9-10页 |
| ·论文拟解决的的问题 | 第10页 |
| ·入侵和入侵检测技术 | 第10-13页 |
| ·入侵行为和入侵检测 | 第10页 |
| ·入侵检测系统的结构 | 第10-12页 |
| ·入侵检测系统的分类 | 第12-13页 |
| ·相关国内外现状分析 | 第13-14页 |
| ·主要工作和论文结构 | 第14-15页 |
| 本章小结 | 第15-16页 |
| 第2章 SNORT入侵检测系统 | 第16-26页 |
| ·SNORT检测模型及系统架构 | 第16-18页 |
| ·SNORT主要模块 | 第16-17页 |
| ·SNORT的检测模型 | 第17页 |
| ·SNORT系统主要模块接口及数据结构 | 第17-18页 |
| ·SNORT的工作模式和规则集 | 第18-22页 |
| ·SNORT的三种工作模式 | 第18-21页 |
| ·SNORT规则集 | 第21-22页 |
| ·SNORT主要数据结构和重要主要函数分析 | 第22-25页 |
| ·主控模块 | 第22-23页 |
| ·解码模块 | 第23-24页 |
| ·规则模块 | 第24页 |
| ·数据包的检测部分函数 | 第24-25页 |
| 本章小结 | 第25-26页 |
| 第3章 基于多神经网络的集成学习算法 | 第26-37页 |
| ·神经网络预测模型 | 第26-32页 |
| ·线性神经网络预测 | 第26页 |
| ·ELMAN神经网络预测 | 第26-28页 |
| ·RBF神经网络预测 | 第28-30页 |
| ·BP神经网络预测 | 第30-32页 |
| ·多神经网络集成学习算法模型 | 第32-33页 |
| ·多神经网络集成学习算法 | 第33-35页 |
| ·网络流量的特征分析 | 第35-36页 |
| 本章小结 | 第36-37页 |
| 第4章 流量预测算法在SNORT中的应用 | 第37-51页 |
| ·GPROF剖析SNORT系统 | 第37-39页 |
| ·GPROF简介 | 第37-38页 |
| ·SNORT系统性能瓶颈分析及结论 | 第38页 |
| ·改进的SNORT系统检测模型 | 第38-39页 |
| ·流量预测算法在SNORT中的应用 | 第39-48页 |
| ·配置WINPCAP环境截获网络流量 | 第39-41页 |
| ·流量预测的集成学习算法 | 第41-48页 |
| ·网络流量分析 | 第48-50页 |
| 本章小结 | 第50-51页 |
| 第5章 测评入侵检测系统 | 第51-60页 |
| ·采用HGOD工具进行攻击 | 第51-52页 |
| ·HGOD攻击 | 第51页 |
| ·HGOD攻击引起网络流量的变化 | 第51-52页 |
| ·受攻击的主机的检测结果 | 第52页 |
| ·对入侵检测系统进行测评 | 第52-59页 |
| ·DARPA1999数据集介绍 | 第52-54页 |
| ·测试改进前后的入侵检测系统 | 第54-59页 |
| 本章小结 | 第59-60页 |
| 总结与展望 | 第60-61页 |
| 致谢 | 第61-62页 |
| 参考文献 | 第62-65页 |
| 攻读硕士学位期间发表的论文及科研成果 | 第65页 |
