数据挖掘在入侵检测中的应用研究
| 摘要 | 第4-5页 |
| ABSTRACT | 第5页 |
| 第一章 绪论 | 第9-13页 |
| 1.1 研究背景及意义 | 第9-10页 |
| 1.2 研究现状 | 第10-11页 |
| 1.3 研究内容及论文组织结构 | 第11-13页 |
| 第二章 入侵检测技术 | 第13-23页 |
| 2.1 入侵检测基本概念 | 第13页 |
| 2.2 入侵检测系统的基本功能 | 第13-15页 |
| 2.3 入侵检测系统的分类 | 第15-21页 |
| 2.3.1 按照数据源不同分类 | 第15-17页 |
| 2.3.2 基于检测技术划分 | 第17-21页 |
| 2.4 入侵检测系统存在的问题 | 第21-22页 |
| 2.5 本章小结 | 第22-23页 |
| 第三章 数据挖掘技术 | 第23-28页 |
| 3.1 数据挖掘技术概述 | 第23-25页 |
| 3.1.1 基本定义和概念 | 第23-24页 |
| 3.1.2 数据挖掘的过程 | 第24-25页 |
| 3.2 常用的数据挖掘算法 | 第25-26页 |
| 3.3 数据挖掘在入侵检测中的应用 | 第26-27页 |
| 3.4 本章小结 | 第27-28页 |
| 第四章 基于数据挖掘的入侵检测的算法分析与研究 | 第28-43页 |
| 4.1 K-MEANS算法研究 | 第28-33页 |
| 4.1.1 k-means算法 | 第28-30页 |
| 4.1.2 k-means算法的优缺点 | 第30-31页 |
| 4.1.3 k-means算法改进 | 第31-32页 |
| 4.1.4 改进后的k-means算法 | 第32-33页 |
| 4.2 APRIORI算法研究 | 第33-38页 |
| 4.2.1 关联分析概念 | 第33-34页 |
| 4.2.2 Apriori算法描述 | 第34-36页 |
| 4.2.3 一种改进的Apriori算法 | 第36-38页 |
| 4.3 算法实现和实验设计 | 第38-42页 |
| 4.3.1 Apriori算法实验结果对比 | 第38-39页 |
| 4.3.2 k-means算法实验结果 | 第39-42页 |
| 4.4 本章小结 | 第42-43页 |
| 第五章 基于数据挖掘的入侵检测系统实现与验证 | 第43-68页 |
| 5.1 SNORT入侵检测系统分析 | 第43-47页 |
| 5.1.1 开源的Snort系统概述 | 第43-44页 |
| 5.1.2 Snort系统结构功能简介 | 第44-46页 |
| 5.1.3 Snort工作原理 | 第46-47页 |
| 5.2 系统构建 | 第47-51页 |
| 5.2.1 构建思想 | 第47-49页 |
| 5.2.2 系统结构 | 第49-50页 |
| 5.2.3 系统工作流程 | 第50-51页 |
| 5.3 聚类分析模块实现 | 第51-57页 |
| 5.3.1 功能描述 | 第51页 |
| 5.3.2 基本思想 | 第51页 |
| 5.3.3 聚类分析模块的实现 | 第51-57页 |
| 5.4 异常检测引擎实现 | 第57-59页 |
| 5.4.1 功能描述 | 第57-58页 |
| 5.4.2 基本思想 | 第58页 |
| 5.4.3 异常检测引擎的实现 | 第58-59页 |
| 5.5 关联分析器的实现 | 第59-63页 |
| 5.5.1 功能描述 | 第59页 |
| 5.5.2 基本思想 | 第59-60页 |
| 5.5.3 关联分析器的实现 | 第60-63页 |
| 5.6 系统测试 | 第63-67页 |
| 5.6.1 实验环境 | 第63-64页 |
| 5.6.2 测试过程 | 第64页 |
| 5.6.3 测试结果 | 第64-67页 |
| 5.7 本章小结 | 第67-68页 |
| 第六章 总结与展望 | 第68-70页 |
| 6.1 总结 | 第68-69页 |
| 6.2 展望 | 第69-70页 |
| 致谢 | 第70-71页 |
| 参考文献 | 第71-72页 |
