改进的BP神经网络与D-S证据理论融合在入侵检测系统中的应用
| 摘要 | 第1-4页 |
| Abstract | 第4-7页 |
| 第一章 绪论 | 第7-11页 |
| ·研究背景 | 第7-9页 |
| ·入侵检测的基本概念 | 第7页 |
| ·入侵检测的发展历程 | 第7-8页 |
| ·入侵检测的研究特征 | 第8-9页 |
| ·入侵检测的作用 | 第9页 |
| ·研究入侵检测的必要性 | 第9页 |
| ·本文的研究内容 | 第9-10页 |
| ·本文的组织架构 | 第10-11页 |
| 第二章 入侵检测 | 第11-17页 |
| ·入侵检测的过程 | 第11-12页 |
| ·信息采集 | 第11页 |
| ·信息分析 | 第11页 |
| ·告警与响应 | 第11-12页 |
| ·入侵检测系统的基本结构 | 第12-13页 |
| ·入侵检测技术 | 第13-14页 |
| ·误用检测 | 第13-14页 |
| ·异常检测 | 第14页 |
| ·提出一种新的入侵检测系统模型 | 第14-16页 |
| ·本章小结 | 第16-17页 |
| 第三章 BP神经网络算法与D-S证据理论的融合 | 第17-31页 |
| ·特征选择 | 第17页 |
| ·人工神经网络 | 第17-20页 |
| ·人工神经网络概述 | 第17-18页 |
| ·基本的人工神经网络模型 | 第18页 |
| ·基本神经元 | 第18-20页 |
| ·多层前向神经网络的误差反向传播(BP)算法 | 第20-26页 |
| ·基本原理 | 第20-22页 |
| ·算法流程图 | 第22-23页 |
| ·BP神经网络算法的若干改进 | 第23-24页 |
| ·遗传算法优化BP神经网络算法 | 第24-26页 |
| ·D-S证据理论 | 第26-28页 |
| ·D-S证据理论概述 | 第26-28页 |
| ·D-S证据理论在数据融合中的应用 | 第28页 |
| ·BP神经网络算法与D-S证据理论的结合 | 第28-30页 |
| ·算法描述 | 第28-29页 |
| ·算法伪码 | 第29-30页 |
| ·本章小结 | 第30-31页 |
| 第四章 两种算法的融合在入侵检测系统中的应用 | 第31-41页 |
| ·开发环境介绍 | 第31-32页 |
| ·实验过程描述 | 第32-33页 |
| ·KDDCup99网络入侵检测数据介绍 | 第33-34页 |
| ·KDDCup的由来 | 第33页 |
| ·KDDCup99数据集 | 第33-34页 |
| ·预处理 | 第34-36页 |
| ·特征选择 | 第36-37页 |
| ·改进的BP神经网络检测效果 | 第37-39页 |
| ·BP神经网络的构建 | 第37-38页 |
| ·BP神经网络检测结果 | 第38-39页 |
| ·D-S证据理论的数据融合 | 第39-40页 |
| ·本章小结 | 第40-41页 |
| 第五章 总结与展望 | 第41-43页 |
| ·工作总结 | 第41页 |
| ·未来的展望 | 第41-43页 |
| 参考文献 | 第43-46页 |
| 致谢 | 第46页 |
