| 摘要 | 第3-5页 |
| Abstract | 第5-7页 |
| 第一章 绪论 | 第14-18页 |
| 1.1 研究背景与意义 | 第14-15页 |
| 1.2 研究现状 | 第15-17页 |
| 1.3 研究的主要内容和章节安排 | 第17-18页 |
| 第二章 入侵检测系统概述 | 第18-28页 |
| 2.1 入侵检测系统原理 | 第18-19页 |
| 2.2 入侵检测系统体系结构分类 | 第19-22页 |
| 2.2.1 基于主机的入侵检测系统 | 第19-20页 |
| 2.2.2 基于网络的入侵检测系统 | 第20-21页 |
| 2.2.3 混合分布式入侵检测系统 | 第21-22页 |
| 2.3 入侵检测技术 | 第22-24页 |
| 2.3.1 误用入侵检测 | 第22-23页 |
| 2.3.2 异常入侵检测 | 第23-24页 |
| 2.4 入侵检测系统设计 | 第24-27页 |
| 2.4.1 Snort整体结构 | 第24-25页 |
| 2.4.2 基于数据挖掘的SR-SVM入侵检测模型设计 | 第25-27页 |
| 2.5 本章小结 | 第27-28页 |
| 第三章 基于稀疏表示的特征描述 | 第28-38页 |
| 3.1 稀疏表示理论 | 第28-31页 |
| 3.1.1 词典学习 | 第28-29页 |
| 3.1.2 稀疏求解 | 第29-31页 |
| 3.2 KDD CUP99网络入侵检测数据集 | 第31-34页 |
| 3.3 SR-SVM入侵检测系统数据预处理及特征描述 | 第34-37页 |
| 3.3.1 SR-SVM入侵检测系统数据预处理 | 第34-36页 |
| 3.3.2 SR-SVM入侵检测系统特征描述 | 第36-37页 |
| 3.4 本章小结 | 第37-38页 |
| 第四章 基于粒子群优化算法的支持向量机 | 第38-49页 |
| 4.1 支持向量机 | 第38-44页 |
| 4.1.1 支持向量机原理 | 第38-43页 |
| 4.1.2 支持向量机应用于入侵检测的可行性分析 | 第43-44页 |
| 4.2 粒子群优化算法对SVM参数优化 | 第44-48页 |
| 4.2.1 粒子群优化算法原理 | 第44-46页 |
| 4.2.2 SR-SVM入侵检测模型检测算法 | 第46-48页 |
| 4.3 本章小结 | 第48-49页 |
| 第五章 SR-SVM入侵检测系统实验分析 | 第49-59页 |
| 5.1 字典生成算法K-means和KSVD对比实验 | 第50-52页 |
| 5.2 稀疏个数对准确率贡献实验 | 第52-53页 |
| 5.3 支持向量机和稀疏表示支持向量机对比实验 | 第53-55页 |
| 5.4 粒子群优化算法调优支持向量机参数实验 | 第55-58页 |
| 5.4.1 RBF核函数γ取不同值的实验结果 | 第56-57页 |
| 5.4.2 支持向量机C取不同值的实验结果 | 第57-58页 |
| 5.5 基于数据挖掘的入侵检测系统模型有效性验证 | 第58页 |
| 5.6 本章小结 | 第58-59页 |
| 结论与展望 | 第59-61页 |
| 参考文献 | 第61-64页 |
| 后记(致谢) | 第64-65页 |
| 攻读学位期间发表的学术论文目录 | 第65页 |
