| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第10-17页 |
| 1.1 课题研究背景及意义 | 第10-12页 |
| 1.2 国内外研究现状 | 第12-16页 |
| 1.2.1 工业控制网络安全研究现状 | 第12-13页 |
| 1.2.2 工业控制网络入侵检测研究现状 | 第13-15页 |
| 1.2.3 存在的问题 | 第15-16页 |
| 1.3 本文的主要研究内容 | 第16-17页 |
| 第2章 工业控制网络安全性及入侵检测技术分析 | 第17-28页 |
| 2.1 引言 | 第17页 |
| 2.2 工业控制网络安全性分析 | 第17-22页 |
| 2.2.1 工业控制网络结构与特点分析 | 第17-19页 |
| 2.2.2 工业控制网络脆弱性及威胁分析 | 第19-21页 |
| 2.2.3 工业控制网络与传统IT网络的区别 | 第21-22页 |
| 2.3 基于机器学习的入侵检测技术 | 第22-25页 |
| 2.3.1 机器学习入侵检测技术 | 第22-24页 |
| 2.3.2 评价标准 | 第24-25页 |
| 2.4 仿真数据来源 | 第25-27页 |
| 2.5 本章小结 | 第27-28页 |
| 第3章 基于Light GBM的入侵检测方法研究 | 第28-45页 |
| 3.1 引言 | 第28页 |
| 3.2 决策树相关理论 | 第28-33页 |
| 3.2.1 CART决策树 | 第28-30页 |
| 3.2.2 梯度提升树(GBDT) | 第30-33页 |
| 3.3 基于Light GBM的入侵检测 | 第33-36页 |
| 3.3.1 Light GBM检测方法 | 第33-35页 |
| 3.3.2 Light GBM模型搭建与训练 | 第35-36页 |
| 3.4 仿真与结果分析 | 第36-39页 |
| 3.4.1 仿真环境 | 第36页 |
| 3.4.2 数据预处理 | 第36-37页 |
| 3.4.3 仿真结果分析 | 第37-39页 |
| 3.5 模型优化与评价 | 第39-44页 |
| 3.5.1 不平衡数据处理 | 第40页 |
| 3.5.2 贝叶斯参数寻优 | 第40-41页 |
| 3.5.3 仿真结果分析 | 第41-44页 |
| 3.6 本章小结 | 第44-45页 |
| 第4章 基于AE-1SVM的入侵检测方法研究 | 第45-56页 |
| 4.1 引言 | 第45页 |
| 4.2 异常检测相关理论 | 第45-48页 |
| 4.2.1 单分类支持向量机 | 第45-46页 |
| 4.2.2 自动编码器 | 第46-48页 |
| 4.3 基于AE-1SVM的入侵检测 | 第48-52页 |
| 4.3.1 AE-1SVM检测方法 | 第48-51页 |
| 4.3.2 AE-1SVM模型搭建与训练 | 第51-52页 |
| 4.4 仿真与结果分析 | 第52-55页 |
| 4.4.1 仿真环境 | 第52页 |
| 4.4.2 数据预处理 | 第52页 |
| 4.4.3 仿真结果分析 | 第52-55页 |
| 4.5 本章小结 | 第55-56页 |
| 第5章 基于Stacking的混合入侵检测方法研究 | 第56-62页 |
| 5.1 引言 | 第56页 |
| 5.2 混合入侵检测方案设计 | 第56-57页 |
| 5.3 基于Stacking的混合入侵检测 | 第57-59页 |
| 5.3.1 Stacking原理分析 | 第57-58页 |
| 5.3.2 基于Stacking的混合入侵检测模型 | 第58-59页 |
| 5.4 仿真与结果分析 | 第59-61页 |
| 5.4.1 仿真环境 | 第59页 |
| 5.4.2 仿真结果分析 | 第59-61页 |
| 5.5 本章小结 | 第61-62页 |
| 结论 | 第62-64页 |
| 参考文献 | 第64-68页 |
| 攻读硕士学位期间发表的学术论文 | 第68-70页 |
| 致谢 | 第70页 |