| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第一章 绪论 | 第8-14页 |
| 1.1 研究背景与意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-12页 |
| 1.2.1 静态图模型异常检测 | 第10-11页 |
| 1.2.2 动态图模型异常检测 | 第11-12页 |
| 1.3 论文研究内容 | 第12-13页 |
| 1.4 论文章节安排 | 第13-14页 |
| 第二章 相关技术基础 | 第14-22页 |
| 2.1 图模型基础 | 第14-15页 |
| 2.1.1 图模型 | 第14-15页 |
| 2.1.2 图的存储 | 第15页 |
| 2.2 分类树算法概述 | 第15-18页 |
| 2.2.1 决策树算法 | 第15-16页 |
| 2.2.2 集成学习 | 第16-17页 |
| 2.2.3 随机森林 | 第17-18页 |
| 2.3 神经网络 | 第18-21页 |
| 2.3.1 神经网络模型 | 第18页 |
| 2.3.2 BP神经网络 | 第18-20页 |
| 2.3.3 循环神经网络 | 第20页 |
| 2.3.4 梯度下降算法 | 第20-21页 |
| 2.4 本章小结 | 第21-22页 |
| 第三章 基于图的无监督KD-Forest常检测算法 | 第22-38页 |
| 3.1 研究背景与应用场景 | 第22-23页 |
| 3.2 特征选取方案 | 第23-27页 |
| 3.2.1 节点特征 | 第23-24页 |
| 3.2.2 连接特征 | 第24-25页 |
| 3.2.3 中心性度量 | 第25-26页 |
| 3.2.4 EgoNet特征 | 第26-27页 |
| 3.3 KD-Forest异常检测算法 | 第27-31页 |
| 3.3.1 KD树结构 | 第27页 |
| 3.3.2 异常检测算法 | 第27-30页 |
| 3.3.3 KD-Forest模型构建 | 第30-31页 |
| 3.3.4 复杂度分析 | 第31页 |
| 3.4 实验 | 第31-36页 |
| 3.4.1 系统框架 | 第31-32页 |
| 3.4.2 实验数据 | 第32-33页 |
| 3.4.3 评价指标 | 第33-34页 |
| 3.4.4 实验结果 | 第34-36页 |
| 3.5 本章小结 | 第36-38页 |
| 第四章 基于LSTM的动态图异常检测 | 第38-49页 |
| 4.1 研究背景与应用场景 | 第38-39页 |
| 4.2 特征提取 | 第39-41页 |
| 4.2.1 时间序列模型 | 第39-40页 |
| 4.2.2 图结构距离特征 | 第40页 |
| 4.2.3 编辑距离特征 | 第40-41页 |
| 4.3 LSTM分类算法 | 第41-44页 |
| 4.3.1 LSTM模型 | 第41-42页 |
| 4.3.2 训练算法 | 第42-43页 |
| 4.3.3 异常检测算法 | 第43-44页 |
| 4.4 实验 | 第44-48页 |
| 4.4.1 实验环境及数据 | 第44-46页 |
| 4.4.2 数据预处理 | 第46页 |
| 4.4.3 评价指标 | 第46页 |
| 4.4.4 实验结果 | 第46-48页 |
| 4.5 本章小结 | 第48-49页 |
| 第五章 总结与展望 | 第49-51页 |
| 5.1 工作总结 | 第49页 |
| 5.2 展望 | 第49-51页 |
| 参考文献 | 第51-54页 |
| 附录1 攻读硕士学位期间撰写的论文 | 第54-55页 |
| 致谢 | 第55页 |