| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 概述 | 第10-14页 |
| 1.1 研究背景概述 | 第10-13页 |
| 1.1.1 网络入侵检测系统 | 第10-11页 |
| 1.1.2 数据挖掘以及分类关联规则挖掘 | 第11页 |
| 1.1.3 遗传网络编程算法 | 第11-13页 |
| 1.2 论文组织结构 | 第13-14页 |
| 第二章 基于遗传网络编程的分类关联规则挖掘 | 第14-24页 |
| 2.1 遗传网络编程 | 第14-17页 |
| 2.2 分类关联规则挖掘 | 第17-18页 |
| 2.3 基于GNP 的分类关联规则表示 | 第18-20页 |
| 2.4 基于GNP 的分类关联规则抽取 | 第20-21页 |
| 2.5 基于GNP 的分类关联规则挖掘的适应度函数 | 第21-22页 |
| 2.6 基于GNP 的分类关联规则挖掘流程 | 第22-23页 |
| 2.7 本章小结 | 第23-24页 |
| 第三章 基于GNP 的模糊分类关联规则挖掘算法及其在网络入侵检测中的引用 | 第24-39页 |
| 3.1 网络入侵检测数据预处理 | 第24-25页 |
| 3.2 子属性效用 | 第25-26页 |
| 3.3 连续属性的模糊成员函数及模糊化 | 第26-29页 |
| 3.4 模糊分类关联规则挖掘的GNP 结构 | 第29-30页 |
| 3.5 模糊分类关联规则挖掘中的规则抽取 | 第30-32页 |
| 3.6 模糊规则库中的规则更新 | 第32-33页 |
| 3.7 网络入侵检测问题的适应度函数以及遗传算子 | 第33-35页 |
| 3.8 基于GNP 的模糊分类关联规则挖掘的分类方法 | 第35-38页 |
| 3.8.1 误用检测的分类方法 | 第36-37页 |
| 3.8.2 异常检测的分类方法 | 第37-38页 |
| 3.9 本章小结 | 第38-39页 |
| 第四章 网络入侵检测系统算法的优化 | 第39-48页 |
| 4.1 引入进化模糊成员函数提高网络入侵检测系统的有效性 | 第39-45页 |
| 4.1.1 比较具有F-FMF 和E-FMF 的模糊分类规则挖掘 | 第41-43页 |
| 4.1.2 比较具有F-NF 和P-NT 的模糊分类规则挖掘 | 第43-45页 |
| 4.1.3 基于E-FMF 的模糊分类关联规则挖掘的构架 | 第45页 |
| 4.2 引入子属性频率机制提高网络入侵检测系统的有效性 | 第45-47页 |
| 4.3 本章小结 | 第47-48页 |
| 第五章 实验数据处理与分析 | 第48-64页 |
| 5.1 网络入侵检测试验数据处理与分析 | 第48-55页 |
| 5.1.1 误用检测的分类方法测试 | 第48-51页 |
| 5.1.2 异常检测的分类方法测试 | 第51-53页 |
| 5.1.3 适应度函数的控制参数测试 | 第53-55页 |
| 5.2 模糊理论对于提高网络入侵检测性能的实验 | 第55-58页 |
| 5.3 不同的基于GNP 的模糊分类关联规则挖掘实现有效性的比较试验 | 第58-61页 |
| 5.3.1 比较具有F-FMF 和E-FMF 的模糊分类规则挖掘在误用检测上的结果 | 第58-59页 |
| 5.3.2 比较具有F-FMF 和E-FMF 的模糊分类规则挖掘在异常检测上的结果 | 第59-60页 |
| 5.3.3 比较具有P-NT 和F-NT 的模糊分类关联规则挖掘在误用检测上的结果 | 第60-61页 |
| 5.3.4 比较具有P-NT 和F-NT 的模糊分类关联规则挖掘在异常检测上的结果 | 第61页 |
| 5.4 子属性频率机制对于提高网络入侵检测有效性的实验 | 第61-62页 |
| 5.4.1 子属性频率机制在误用检测上的结果 | 第61-62页 |
| 5.4.2 子属性频率机制在异常检测上的结果 | 第62页 |
| 5.5 本章小结 | 第62-64页 |
| 第六章 全文总结 | 第64-66页 |
| 6.1 研究结论 | 第64-65页 |
| 6.2 研究展望 | 第65-66页 |
| 参考文献 | 第66-69页 |
| 附录 符号与标记 | 第69-70页 |
| 攻读硕士学位期间已发表或录用的论文 | 第70-71页 |
| 致谢 | 第71-73页 |
