| 摘要 | 第1-4页 |
| Abstract | 第4-8页 |
| 1 绪论 | 第8-13页 |
| ·引言 | 第8页 |
| ·论文背景 | 第8-11页 |
| ·现有网络安全技术 | 第8-9页 |
| ·入侵检测技术及现状 | 第9-11页 |
| ·机器学习 | 第11页 |
| ·论文工作 | 第11-12页 |
| ·论文结构 | 第12页 |
| ·本章小结 | 第12-13页 |
| 2 入侵检测 | 第13-25页 |
| ·传统安全模型的局限性 | 第13页 |
| ·网络安全体系结构 | 第13-14页 |
| ·网络入侵步骤及分类 | 第14-16页 |
| ·网络入侵步骤 | 第14-15页 |
| ·网络入侵的分类 | 第15-16页 |
| ·入侵检测系统 | 第16-21页 |
| ·入侵检测 | 第16页 |
| ·入侵检测系统 | 第16-21页 |
| ·入侵检测系统的组成部分 | 第16-17页 |
| ·误用入侵检测系统 | 第17-18页 |
| ·异常入侵检测系统 | 第18-19页 |
| ·两种分析技术的比较 | 第19页 |
| ·入侵检测系统的层次体系 | 第19-20页 |
| ·面临的挑战 | 第20页 |
| ·进一步发展的若干方向 | 第20-21页 |
| ·入侵检测的标准化工作 | 第21-23页 |
| ·CIDF的标准化工作 | 第21-23页 |
| ·IDWG的标准化 | 第23页 |
| ·入侵检测的评估 | 第23-24页 |
| ·本章小结 | 第24-25页 |
| 3 机器学习 | 第25-34页 |
| ·机器学习理论 | 第25-29页 |
| ·机器学习 | 第25-26页 |
| ·统计学习理论 | 第26-28页 |
| ·概念学习 | 第28-29页 |
| ·机器学习方法在入侵检测中的应用 | 第29页 |
| ·人工神经网络 | 第29-33页 |
| ·人工神经网络理论 | 第29-30页 |
| ·人工神经网络的基本结构 | 第30-32页 |
| ·人工神经元模型 | 第30-31页 |
| ·激活转移函数 | 第31页 |
| ·神经网络结构 | 第31-32页 |
| ·人工神经网络与入侵检测 | 第32-33页 |
| ·本章小结 | 第33-34页 |
| 4 基于机器学习的入侵检测系统研究 | 第34-48页 |
| ·非学习入侵检测系统的不足 | 第34页 |
| ·基于机器学习的入侵检测系统 | 第34-35页 |
| ·基于机器学习的误用检测系统 | 第34-35页 |
| ·基于机器学习的异常检测系统 | 第35页 |
| ·基于机器学习的入侵检测系统模型设计 | 第35-47页 |
| ·网络数据包捕获模块 | 第35-36页 |
| ·数据预处理模块 | 第36页 |
| ·误用规则处理模块 | 第36页 |
| ·机器学习模块 | 第36-47页 |
| ·常用机器学习方法 | 第36-37页 |
| ·学习异常检测规则LERAD | 第37-41页 |
| ·BP神经网络 | 第41-47页 |
| ·本章小结 | 第47-48页 |
| 5 基于机器学习的入侵检测系统的设计与实现 | 第48-65页 |
| ·基于机器学习入侵检测系统(L_SNORT)总体结构设计 | 第48-49页 |
| ·基于机器学习入侵检测系统(L_SNORT)的组成 | 第49-50页 |
| ·基于机器学习L_SNORT总体流程设计 | 第50-54页 |
| ·基于机器学习的L_SNORT的规则 | 第54-55页 |
| ·基于机器学习的L_SNORT的实现 | 第55-56页 |
| ·训练数据的选取和程序运行结果 | 第56-64页 |
| ·训练数据的选取 | 第56-58页 |
| ·LERAD程序运行结果 | 第58-61页 |
| ·实验结果 | 第61-63页 |
| ·攻击检测与误警的关系 | 第63-64页 |
| ·检测的攻击类型 | 第64页 |
| ·本章小结 | 第64-65页 |
| 6 结束语 | 第65-67页 |
| ·本文总结 | 第65页 |
| ·进一步的工作 | 第65-67页 |
| 致谢 | 第67-68页 |
| 参考文献 | 第68-73页 |
| 附录A | 第73页 |