| 摘要 | 第3-4页 |
| ABSTRACT | 第4页 |
| 第1章 绪论 | 第7-13页 |
| 1.1 论文的研究背景及意义 | 第7-8页 |
| 1.1.1 研究背景 | 第7-8页 |
| 1.1.2 研究意义 | 第8页 |
| 1.2 国内外研究现状 | 第8-11页 |
| 1.3 论文的研究内容 | 第11页 |
| 1.4 论文的组织结构 | 第11-13页 |
| 第2章 入侵检测技术 | 第13-23页 |
| 2.1 入侵的行为分类 | 第13页 |
| 2.2 入侵检测系统的分类 | 第13-15页 |
| 2.2.1 基于主机的入侵检测系统 | 第13-14页 |
| 2.2.2 基于网络的入侵检测系统 | 第14-15页 |
| 2.3 基于误用检测的入侵检测方法 | 第15-18页 |
| 2.3.1 模式匹配方法 | 第16页 |
| 2.3.2 专家系统方法 | 第16-17页 |
| 2.3.3 状态转换方法 | 第17-18页 |
| 2.4 基于异常检测的入侵检测方法 | 第18-20页 |
| 2.4.1 概率统计法 | 第19页 |
| 2.4.2 计算机免疫技术 | 第19-20页 |
| 2.4.3 数据挖掘技术 | 第20页 |
| 2.5 误用检测与异常检测的比较 | 第20-23页 |
| 第3章 数据挖掘理论与入侵检测技术 | 第23-37页 |
| 3.1 数据挖掘技术概述 | 第23页 |
| 3.2 数据挖掘中的聚类算法 | 第23-29页 |
| 3.2.1 聚类算法概述 | 第23-25页 |
| 3.2.2 聚类分析方法 | 第25-27页 |
| 3.2.3 K均值算法 | 第27-29页 |
| 3.3 数据挖掘中的分类算法 | 第29-34页 |
| 3.3.1 分类算法介绍 | 第29-33页 |
| 3.3.2 极限学习机算法 | 第33-34页 |
| 3.4 基于数据挖掘的入侵检测方法 | 第34-37页 |
| 3.4.1 入侵检测应用的数据挖掘方法 | 第34-35页 |
| 3.4.2 基于数据挖掘的入侵检测过程 | 第35页 |
| 3.4.3 基于数据挖掘的入侵检测系统特点 | 第35-37页 |
| 第4章 基于聚类与极限学习机的入侵检测方法设计 | 第37-53页 |
| 4.1 改进的K-means算法 | 第37-39页 |
| 4.2 改进的极限学习机算法 | 第39-42页 |
| 4.3 基于K-means与极限学习机的入侵检测算法框架 | 第42-43页 |
| 4.4 实验与分析 | 第43-53页 |
| 4.4.1 实验数据集 | 第43-44页 |
| 4.4.2 网络流量数据预处理 | 第44-47页 |
| 4.4.3 实验设置与评价指标 | 第47-49页 |
| 4.4.4 实验结果与分析 | 第49-53页 |
| 第5章 总结与展望 | 第53-55页 |
| 5.1 总结 | 第53页 |
| 5.2 展望 | 第53-55页 |
| 参考文献 | 第55-59页 |
| 发表论文和参加科研情况说明 | 第59-61页 |
| 致谢 | 第61页 |