基于半监督学习的假警报过滤研究
| 摘要 | 第1-7页 |
| Abstract | 第7-13页 |
| 第1章 绪论 | 第13-21页 |
| ·研究背景 | 第13-14页 |
| ·研究现状 | 第14-18页 |
| ·降低 IDS 警报量 | 第15-16页 |
| ·提高 IDS 特征库中特征质量 | 第16页 |
| ·基于异常的 IDS 阈值调整 | 第16-17页 |
| ·警报相关性 | 第17-18页 |
| ·警报可视化 | 第18页 |
| ·本文工作 | 第18-21页 |
| ·研究内容 | 第18-19页 |
| ·论文结构 | 第19-21页 |
| 第2章 入侵检测系统研究 | 第21-31页 |
| ·入侵检测系统 | 第21-22页 |
| ·入侵检测的发展历史 | 第21-22页 |
| ·入侵检测系统的基本原理与工作模式 | 第22-24页 |
| ·入侵检测系统的基本原理 | 第22页 |
| ·入侵检测系统的基本工作模式 | 第22-24页 |
| ·入侵检测系统的分类 | 第24-25页 |
| ·入侵检测系统存在的问题 | 第25-29页 |
| ·入侵检测系统误报率 | 第26-27页 |
| ·降低误报率 | 第27-29页 |
| ·入侵检测技术发展趋势 | 第29-30页 |
| ·本章小结 | 第30-31页 |
| 第3章 相关技术研究现状与分析 | 第31-39页 |
| ·机器学习 | 第31-34页 |
| ·监督学习 | 第31页 |
| ·无监督学习 | 第31-32页 |
| ·半监督学习 | 第32-33页 |
| ·期望最大化(EM)算法 | 第33-34页 |
| ·分类理论基础 | 第34-38页 |
| ·问题描述 | 第34-35页 |
| ·贝叶斯分类算法 | 第35-37页 |
| ·神经网络 | 第37-38页 |
| ·K-最近邻分类 | 第38页 |
| ·支持向量机 | 第38页 |
| ·本章小结 | 第38-39页 |
| 第4章 基于半监督学习的假警报过滤算法 | 第39-49页 |
| ·基于 PCA 的半监督降维算法 | 第39-42页 |
| ·主成分分析算法(PCA) | 第39-40页 |
| ·半监督降维原理 | 第40-41页 |
| ·基于 PCA 的半监督降维(SSDRpca) | 第41-42页 |
| ·基于半监督学习警报过滤算法 | 第42-47页 |
| ·基于半监督学习的警报流分类器 | 第43页 |
| ·警报生成模型 | 第43-44页 |
| ·基于生成模型的警报分类器 | 第44-45页 |
| ·半监督学习警报分类算法 | 第45-47页 |
| ·本章小结 | 第47-49页 |
| 第5章 实验结果与分析 | 第49-63页 |
| ·实验数据选取 | 第49-51页 |
| ·数据预处理 | 第51-56页 |
| ·数据格式分析 | 第51-52页 |
| ·数值化 | 第52-54页 |
| ·归一化 | 第54-56页 |
| ·属性约简 | 第56页 |
| ·实验结果与分析 | 第56-61页 |
| ·半监督降维 | 第56-58页 |
| ·半监督假警报过滤 | 第58-61页 |
| ·本章小结 | 第61-63页 |
| 总结与展望 | 第63-65页 |
| 论文总结 | 第63页 |
| 工作展望 | 第63-65页 |
| 参考文献 | 第65-71页 |
| 攻读学位期间发表的学术论文及参与的项目 | 第71-73页 |
| 致谢 | 第73-74页 |
| 详细摘要 | 第74-78页 |
