基于SVM的网络流量异常检测系统研究
| 摘要 | 第1-4页 |
| ABSTRACT | 第4-10页 |
| 第一章 绪论 | 第10-15页 |
| ·研究背景 | 第10-11页 |
| ·研究现状 | 第11-13页 |
| ·论文的主要内容和创新点 | 第13页 |
| ·本文的组织 | 第13-15页 |
| 第二章 支持向量机的相关基础理论 | 第15-37页 |
| ·统计学习理论 | 第15-21页 |
| ·机器学习 | 第15-17页 |
| ·VC 维 | 第17-18页 |
| ·推广性的界 | 第18-19页 |
| ·结构风险最小化原则 | 第19-21页 |
| ·支持向量机 | 第21-26页 |
| ·最优分类面 | 第21-24页 |
| ·核函数 | 第24-26页 |
| ·支持向量机的分类问题 | 第26-29页 |
| ·分类问题的实质和基本思想 | 第26页 |
| ·分类情况 | 第26-29页 |
| ·支持向量机的经典算法 | 第29-36页 |
| ·多类分类算法 | 第29-30页 |
| ·典型训练算法 | 第30-33页 |
| ·典型分类算法 | 第33-36页 |
| ·本章小结 | 第36-37页 |
| 第三章 基于SVM 的网络流量异常检测系统 | 第37-49页 |
| ·系统提出的理论依据 | 第37-38页 |
| ·系统的总体构架 | 第38-41页 |
| ·数据流量监测模块 | 第39-40页 |
| ·原始数据采集模块 | 第40页 |
| ·数据预处理模块 | 第40页 |
| ·SVM 数据训练模块 | 第40页 |
| ·SVM 数据检测模块 | 第40-41页 |
| ·SV 存储和存放事件数据库模块 | 第41页 |
| ·数据输出和响应模块 | 第41页 |
| ·WC-SVM 分类机的自适应SMO 学习算法 | 第41-48页 |
| ·SMO 算法 | 第41-43页 |
| ·自适应学习 | 第43-45页 |
| ·自适应学习方法在SVM 中的应用 | 第45-47页 |
| ·加权分类支持向量机 | 第47-48页 |
| ·本章小结 | 第48-49页 |
| 第四章 基于LIBSVM 的实验及结果分析 | 第49-71页 |
| ·实验数据 | 第49-56页 |
| ·来源和采集过程 | 第49-50页 |
| ·出现的异常情况 | 第50-53页 |
| ·数据的选择 | 第53-56页 |
| ·实验环境 | 第56-59页 |
| ·数据预处理 | 第59-62页 |
| ·验证过程 | 第62-69页 |
| ·核函数的选择 | 第62-64页 |
| ·参数的选择与设置 | 第64-65页 |
| ·实验分析 | 第65-69页 |
| ·实验结论 | 第69-70页 |
| ·本章小结 | 第70-71页 |
| 第五章 总结与展望 | 第71-73页 |
| ·全文总结 | 第71页 |
| ·展望 | 第71-73页 |
| 附录 | 第73-74页 |
| 参考文献 | 第74-77页 |
| 致谢 | 第77-78页 |
| 参与项目情况和主要研究成果 | 第78页 |
