| 摘要 | 第1-4页 |
| ABSTRACT | 第4-8页 |
| 1 绪论 | 第8-13页 |
| ·课题背景及研究意义 | 第8-9页 |
| ·入侵检测研究现状 | 第9-10页 |
| ·入侵检测发展趋势 | 第10-11页 |
| ·本论文的研究内容和成果 | 第11-12页 |
| ·本论文的章节安排 | 第12-13页 |
| 2 入侵检测概述及关键技术 | 第13-29页 |
| ·入侵检测概述 | 第13-19页 |
| ·入侵检测体系结构 | 第13-14页 |
| ·入侵检测分类 | 第14-19页 |
| ·粗糙集理论 | 第19-22页 |
| ·支持向量机 | 第22-25页 |
| ·最优分类面 | 第22-23页 |
| ·广义最优分类面 | 第23-24页 |
| ·核函数 | 第24页 |
| ·KKT 条件 | 第24-25页 |
| ·支持向量 | 第25页 |
| ·增量支持向量机 | 第25-28页 |
| ·基于分块的增量学习算法 | 第26-27页 |
| ·基于分类错误率最小的的增量学习算法 | 第27-28页 |
| ·基于 KKT 条件的增量学习算法 | 第28页 |
| ·本章小结 | 第28-29页 |
| 3 基于正区域属性约简的入侵检测特征选择方法 | 第29-39页 |
| ·研究基础 | 第29-30页 |
| ·基于正区域属性约简算法 | 第30-37页 |
| ·去除无关属性得到简化决策表 | 第31页 |
| ·PRAR 求取核属性算法 | 第31-33页 |
| ·属性重要性算法 | 第33-34页 |
| ·PRAR 算法描述 | 第34-35页 |
| ·PRAR 算法伪代码实现 | 第35-37页 |
| ·PRAR 算法的正确性分析 | 第37页 |
| ·PRAR 算法的时间复杂度分析 | 第37页 |
| ·基于 PRAR 算法的入侵检测特征选择方法 | 第37-38页 |
| ·本章小结 | 第38-39页 |
| 4 基于邻界区的快速增量 SVM 入侵检测方法 | 第39-49页 |
| ·研究基础 | 第39页 |
| ·基于邻界区的快速增量 SVM 学习算法 | 第39-46页 |
| ·对正负类训练样本分别进行聚类分析 | 第40-41页 |
| ·邻界区的确定 | 第41-42页 |
| ·分类超平面的初步构造 | 第42页 |
| ·提取可能支持向量 | 第42-44页 |
| ·基于 KKT 条件的增量学习方案 | 第44页 |
| ·B-ISVM 算法描述与实现 | 第44-46页 |
| ·B-ISVM 算法的时间复杂度分析 | 第46页 |
| ·基于 B-ISVM 算法的入侵检测方法 | 第46-48页 |
| ·本章小结 | 第48-49页 |
| 5 基于粗糙集和增量 SVM 的入侵检测方法与实验结果 | 第49-63页 |
| ·基于粗糙集属性约简和增量 SVM 的入侵检测方法 | 第49-50页 |
| ·实验结果与分析 | 第50-62页 |
| ·PRAR 入侵检测特征选择实验与分析 | 第51-56页 |
| ·B-ISVM 入侵检测实验与分析 | 第56-60页 |
| ·RS-ISVM 的入侵检测实验与分析 | 第60-62页 |
| ·本章小结 | 第62-63页 |
| 6 总结与展望 | 第63-65页 |
| ·总结 | 第63-64页 |
| ·进一步工作 | 第64-65页 |
| 致谢 | 第65-66页 |
| 参考文献 | 第66-70页 |
| 附录 | 第70页 |