| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 绪论 | 第11-19页 |
| 1.1 论文的研究背景与意义 | 第11-12页 |
| 1.2 入侵检测技术国内研究情况和国外研究情况简介 | 第12-15页 |
| 1.2.1 国外研究状况 | 第12-15页 |
| 1.2.2 国内研究状况 | 第15页 |
| 1.3 本文研究的主要路线 | 第15-16页 |
| 1.4 本论文的主要研究内容和创新点 | 第16-17页 |
| 1.5 论文章节安排 | 第17-19页 |
| 第2章 入侵检测系统 | 第19-29页 |
| 2.1 入侵检测简介 | 第19-21页 |
| 2.1.1 入侵检测相关概念 | 第19-20页 |
| 2.1.2 入侵检测系统功能及评价指标 | 第20-21页 |
| 2.2 入侵检测系统通用模型 | 第21-23页 |
| 2.2.1 Denning模型 | 第21-22页 |
| 2.2.2 CIDF通用模型 | 第22-23页 |
| 2.3 入侵检测方法 | 第23-26页 |
| 2.3.1 误用检测 | 第24-25页 |
| 2.3.2 异常入侵检测 | 第25-26页 |
| 2.3.3 混合入侵检测 | 第26页 |
| 2.4 入侵检测系统现存问题及发展方向 | 第26-28页 |
| 2.4.1 现存问题 | 第26-27页 |
| 2.4.2 发展方向 | 第27-28页 |
| 2.5 本章小结 | 第28-29页 |
| 第3章 聚类分析研究 | 第29-34页 |
| 3.1 聚类分析概述 | 第29-30页 |
| 3.2 聚类分析中的相异度度量及距离计算 | 第30-31页 |
| 3.2.1 相异度度量 | 第30页 |
| 3.2.2 距离计算方法 | 第30-31页 |
| 3.3 聚类分析方法 | 第31-32页 |
| 3.4 聚类分析与入侵检测 | 第32-33页 |
| 3.5 本章小结 | 第33-34页 |
| 第4章 改进的K-MEANS和改进的KOHONEN算法 | 第34-46页 |
| 4.1 传统K-MEANS聚类算法 | 第34-37页 |
| 4.1.1 K-means算法执行步骤 | 第34-36页 |
| 4.1.2 K-means算法的缺陷 | 第36-37页 |
| 4.2 基于FUZZY ART算法的改进K-MEANS算法 | 第37-41页 |
| 4.2.1 Fuzzy ART神经网络算法 | 第37-40页 |
| 4.2.2 改进K-means算法描述 | 第40-41页 |
| 4.3 KOHONEN神经网络算法及改进KOHONEN算法 | 第41-45页 |
| 4.3.1 Kohonen网络 | 第41-43页 |
| 4.3.2 引入隶属度概念的改进Kohonen算法 | 第43-45页 |
| 4.4 本章小结 | 第45-46页 |
| 第5章 实验与讨论 | 第46-57页 |
| 5.1 实验数据预处理 | 第46-50页 |
| 5.1.1 KDD CUP99 实验数据描述 | 第46-48页 |
| 5.1.2 KDD CUP99 数据预处理 | 第48-50页 |
| 5.2 实验与结果分析 | 第50-55页 |
| 5.2.1 KDD CUP99 数据集实验 | 第50-53页 |
| 5.2.2 netattack数据集实验 | 第53-55页 |
| 5.3 本章小结 | 第55-57页 |
| 第6章 总结与展望 | 第57-58页 |
| 参考文献 | 第58-62页 |
| 致谢 | 第62-63页 |
| 攻读硕士学位期间的研究成果 | 第63-64页 |
