摘要 | 第5-6页 |
ABSTRACT | 第6-7页 |
符号对照表 | 第10-11页 |
缩略语对照表 | 第11-15页 |
第一章 绪论 | 第15-19页 |
1.1 研究背景和意义 | 第15-16页 |
1.2 国内外研究现状分析 | 第16-17页 |
1.2.1 入侵检测技术的概念和分类 | 第16页 |
1.2.2 入侵检测技术的发展过程 | 第16-17页 |
1.2.3 支持向量机分类器研究现状 | 第17页 |
1.3 本文的研究内容与结构 | 第17-19页 |
第二章 入侵检测技术概述 | 第19-29页 |
2.1 入侵检测基本概念 | 第19-21页 |
2.1.1 入侵检测技术的概念 | 第19页 |
2.1.2 入侵检测系统分类 | 第19-21页 |
2.1.3 主流入侵检测系统及其发展趋势 | 第21页 |
2.2 机器学习算法 | 第21-24页 |
2.2.1 常见机器学习算法简介 | 第21-24页 |
2.3 支持向量机算法理论 | 第24-28页 |
2.3.1 统计学习理论 | 第24-26页 |
2.3.2 支持向量机方法 | 第26-28页 |
2.4 本章小结 | 第28-29页 |
第三章 基于SVM入侵检测系统的设计与实现 | 第29-41页 |
3.1 公共入侵检测框架 | 第29页 |
3.2 基于SVM的入侵检测系统架构 | 第29-30页 |
3.3 数据采集器模块 | 第30-33页 |
3.3.1 KDDCUP99数据集特点 | 第31-32页 |
3.3.2 数据特征及表示方式 | 第32-33页 |
3.4 数据预处理模块 | 第33-34页 |
3.4.1 数据降采样 | 第33页 |
3.4.2 数据特征数值化 | 第33-34页 |
3.4.3 数据归一化 | 第34页 |
3.5 特征选择模块 | 第34-38页 |
3.5.1 特征选择概述 | 第34-35页 |
3.5.2 改进特征选择算法 | 第35-38页 |
3.6 SVM多分类器 | 第38-40页 |
3.7 本章小结 | 第40-41页 |
第四章 改进的支持向量机参数搜索算法 | 第41-55页 |
4.1 粒子群算法概述 | 第41-44页 |
4.2 惯性权重系数调节机制 | 第44-47页 |
4.2.1 常数和随机数惯性权重系数 | 第44页 |
4.2.2 时变惯性权重系数 | 第44-45页 |
4.2.3 自适应惯性权重 | 第45-46页 |
4.2.4 各种惯性权值策略优缺点 | 第46-47页 |
4.3 改进粒子群算法 | 第47-54页 |
4.3.1 粒子搜索环境分析 | 第47-48页 |
4.3.2 自适应惯性权值方法 | 第48-51页 |
4.3.3 AEPSO算法性能分析 | 第51-54页 |
4.4 本章小结 | 第54-55页 |
第五章 基于SVM-AEPSO入侵检测系统的实现及性能评估 | 第55-67页 |
5.1 实验环境及配置 | 第55页 |
5.2 数据采集器模块 | 第55页 |
5.3 数据预处理器模块 | 第55-57页 |
5.3.1 数据降采样模块 | 第55-56页 |
5.3.2 特征数值化处理 | 第56-57页 |
5.3.3 归一化模块 | 第57页 |
5.4 特征选择模块 | 第57-58页 |
5.5 分类器模块 | 第58页 |
5.6 实验结果 | 第58-66页 |
5.6.1 参数搜索算法比较 | 第58-60页 |
5.6.2 各种粒子群算法比较 | 第60-63页 |
5.6.3 SVM模型训练时间 | 第63页 |
5.6.4 ROC曲线 | 第63-66页 |
5.7 实验结论 | 第66页 |
5.8 本章小结 | 第66-67页 |
第六章 总结与展望 | 第67-69页 |
6.1 本文总结 | 第67页 |
6.2 展望 | 第67-69页 |
参考文献 | 第69-73页 |
致谢 | 第73-75页 |
作者简介 | 第75-76页 |