摘要 | 第4-6页 |
ABSTRACT | 第6-8页 |
第一章 绪论 | 第15-19页 |
1.1 课题的研究目的和意义 | 第15-16页 |
1.2 国内外研究现状 | 第16-17页 |
1.3 本文的主要研究内容和章节安排 | 第17-18页 |
1.3.1 本文的主要工作 | 第17页 |
1.3.2 本文的章节安排 | 第17-18页 |
1.4 小结 | 第18-19页 |
第二章 入侵检测与聚类分析 | 第19-31页 |
2.1 入侵检测的概述 | 第19-20页 |
2.2 入侵检测的方法 | 第20-22页 |
2.2.1 异常检测 | 第20-21页 |
2.2.2 误用检测 | 第21-22页 |
2.2.3 混合检测 | 第22页 |
2.3 入侵检测系统模型 | 第22-23页 |
2.4 聚类分析概述 | 第23-27页 |
2.4.1 聚类分析使用的数据结构与数据类型 | 第23-24页 |
2.4.2 连续变量的距离与相似度量 | 第24-27页 |
2.5 相关的性能指标与常用方法 | 第27-29页 |
2.5.1 相关的性能指标 | 第27-28页 |
2.5.2 常用的聚类分析算法 | 第28-29页 |
2.6 聚类的过程 | 第29页 |
2.7 本章小结 | 第29-31页 |
第三章 改进DE的K均值聚类算法 | 第31-45页 |
3.1 K-均值算法 | 第31-33页 |
3.1.1 K-均值算法流程 | 第31-32页 |
3.1.2 K-均值算法的不足 | 第32-33页 |
3.2 混沌 | 第33页 |
3.3 差分进化算法 | 第33-37页 |
3.3.1 差分进化算法原理 | 第33-35页 |
3.3.2 差分进化算法的流程 | 第35-36页 |
3.3.3 差分进化算法的参数影响分析 | 第36-37页 |
3.4 改进的DE算法 | 第37-41页 |
3.4.1 DE参数的改进 | 第37-38页 |
3.4.2 融入混沌操作的DE算法 | 第38-41页 |
3.5 基于混沌DE的K均值算法 | 第41-43页 |
3.6 本章小结 | 第43-45页 |
第四章 实验与结果的分析 | 第45-59页 |
4.1 本文的实验数据 | 第45-48页 |
4.1.1 KDD99数据集 | 第45-47页 |
4.1.2 KDD99的数据特征描述 | 第47-48页 |
4.2 基于CDE-K均值聚类算法的1DS模块 | 第48-49页 |
4.3 入侵检测数的预处理 | 第49-52页 |
4.3.1 数值化处理 | 第49-50页 |
4.3.2 归一化操作 | 第50-51页 |
4.3.3 数据的降维 | 第51-52页 |
4.4 实验论证 | 第52-55页 |
4.4.1 混合入侵检测的实验与结果分析 | 第53-54页 |
4.4.2 单一入侵检测的实验与结果分析 | 第54-55页 |
4.5 基于Hadoop云平台的K均值聚类对比实验 | 第55-58页 |
4.5.1 Hadoop云平的环境搭建 | 第55-56页 |
4.5.2 Mahout数据挖掘工具 | 第56-57页 |
4.5.3 Hadoop云平台与单机对比实验 | 第57-58页 |
4.6 小结 | 第58-59页 |
第五章 总结及展望 | 第59-61页 |
参考文献 | 第61-65页 |
致谢 | 第65-67页 |
研究成果及发表的学术论文 | 第67-69页 |
作者及导师简介 | 第69-71页 |
北京化工大学专业学位硕士研究生学位论文答辩委员会决议书 | 第71-72页 |