| 摘要 | 第1-9页 |
| 第一章 前言 | 第9-14页 |
| ·研究背景及意义 | 第9-12页 |
| ·本文工作和论文组织 | 第12-14页 |
| 第二章 入侵检测技术 | 第14-18页 |
| ·入侵检测的概念和必要性 | 第14页 |
| ·入侵检测系统的分类 | 第14-15页 |
| ·入侵检测的主要方法 | 第15-16页 |
| ·特征检测 | 第15页 |
| ·统计检测 | 第15页 |
| ·专家系统 | 第15-16页 |
| ·入侵检测系统面临的主要问题及发展趋势 | 第16-18页 |
| ·入侵检测系统面临的主要问题 | 第16页 |
| ·入侵检测系统的发展趋势 | 第16-18页 |
| 第三章 人工神经网络的基本原理 | 第18-34页 |
| ·人工神经网络研究简史 | 第18-23页 |
| ·人工神经网络国外发展情况 | 第18-22页 |
| ·人工神经网络国内研究概况 | 第22-23页 |
| ·神经网络的基本组成 | 第23-24页 |
| ·神经元 | 第23-24页 |
| ·神经元之间的连接 | 第24页 |
| ·神经网络 | 第24页 |
| ·人工神经网络的学习规则 | 第24-27页 |
| ·人工神经网络的几种基本类型 | 第27-32页 |
| ·神经元变换函数的三种类型 | 第27-28页 |
| ·人工神经网络的四种结构 | 第28-30页 |
| ·学习算法上的分类 | 第30-32页 |
| ·人工神经网络的基本特点 | 第32-33页 |
| ·神经网络应用于入侵检测 | 第33-34页 |
| 第四章 BP 网络算法及其缺陷分析 | 第34-41页 |
| ·BP 网络模型及其算法分析 | 第34-39页 |
| ·算法缺陷 | 第39-41页 |
| 第五章 基于信息融合的RBF 网络入侵检测模型 | 第41-67页 |
| ·信息融合 | 第41-44页 |
| ·信息融合概述 | 第41-42页 |
| ·多源信息融合的层次化 | 第42页 |
| ·多源信息融合中关联方法 | 第42-44页 |
| ·本文使用到的信息融合 | 第44页 |
| ·数据源的选取 | 第44-49页 |
| ·特征/入侵样本集的收集与设计 | 第49-55页 |
| ·特征选择的概念与算法 | 第49-50页 |
| ·特征的筛选与排序 | 第50页 |
| ·基于性能的特征排序方法 | 第50页 |
| ·基于性能的特征排序过程 | 第50-53页 |
| ·特征排序的结果 | 第53-55页 |
| ·用RBF 网络实现特征排序 | 第55-59页 |
| ·RBF 神经网络在数学上的可行性 | 第55-56页 |
| ·RBF 神经网络的函数逼近能力 | 第56-58页 |
| ·用RBF 网络分类器实现特征排序 | 第58-59页 |
| ·D-S 理论与RBF 网络相结合的入侵行为检测模型 | 第59-67页 |
| ·神经网络模块 | 第60-61页 |
| ·证据理论模块 | 第61页 |
| ·D-S 证据理论基础 | 第61-62页 |
| ·其它与D-S 理论相关的函数 | 第62-65页 |
| ·D-S 理论规则及应用 | 第65-67页 |
| 第六章 实验结果及分析 | 第67-74页 |
| ·训练集和测试集的选取 | 第67页 |
| ·试验结果及分析 | 第67-72页 |
| ·数据融合 | 第72-74页 |
| 第七章 总结与展望 | 第74-76页 |
| ·本文总结 | 第74页 |
| ·下一步工作 | 第74-76页 |
| 致谢 | 第76-77页 |
| 参考文献 | 第77-81页 |
| 在学期间的研究成果 | 第81-82页 |
| 论文修改情况 | 第82页 |