基于集成学习的DDoS攻击检测
| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 第一章 绪论 | 第9-15页 |
| 1.1 课题背景和意义 | 第9-11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.3 论文主要内容 | 第13页 |
| 1.4 论文章节安排 | 第13-15页 |
| 第二章 DDoS攻击类型及检测方法 | 第15-22页 |
| 2.1 DDoS攻击类型 | 第15-18页 |
| 2.1.1 面向TCP的DDoS攻击 | 第15-16页 |
| 2.1.2 面向UDP的DDoS攻击 | 第16页 |
| 2.1.3 面向ICMP的DDoS攻击 | 第16-17页 |
| 2.1.4 面向云平台的DDoS攻击 | 第17页 |
| 2.1.5 DDoS攻击特征总结 | 第17-18页 |
| 2.2 DDoS检测常用方法 | 第18-20页 |
| 2.2.1 误用检测 | 第18页 |
| 2.2.2 异常检测 | 第18-20页 |
| 2.3 集成学习算法 | 第20-21页 |
| 2.4 本章小结 | 第21-22页 |
| 第三章 基于对称不确定性属性排序 | 第22-28页 |
| 3.1 基于信息增益的属性排序 | 第22-23页 |
| 3.2 基于改进信息增益的对称不确定性属性排序 | 第23-24页 |
| 3.3 所用数据集与排序实验结果 | 第24-26页 |
| 3.3.1 实验所用数据集 | 第24-25页 |
| 3.3.2 属性的SU排序结果 | 第25-26页 |
| 3.4 本章小结 | 第26-28页 |
| 第四章 基于SU-Hybrid的属性选择 | 第28-39页 |
| 4.1 属性选择相关方法 | 第28-29页 |
| 4.2 改进的SU-Hybrid属性选择方法 | 第29-35页 |
| 4.2.1 Ant蚁群搜索方法 | 第30-31页 |
| 4.2.2 PSO粒子群算法 | 第31-33页 |
| 4.2.3 Genetic遗传搜索方法 | 第33-34页 |
| 4.2.4 基于SU的评估与选择 | 第34-35页 |
| 4.3 SU-Hybrid选择结果 | 第35-36页 |
| 4.4 基于属性选择的检测结果 | 第36-37页 |
| 4.5 本章小结 | 第37-39页 |
| 第五章 基于集成学习的DDoS分类检测 | 第39-48页 |
| 5.1 DDoS检测中常用的弱分类器 | 第39-40页 |
| 5.1.1 决策树分类器 | 第39-40页 |
| 5.1.2 贝叶斯分类器 | 第40页 |
| 5.2 基于不同采样模型投票的集成学习 | 第40-42页 |
| 5.2.1 Bagging模型 | 第41页 |
| 5.2.2 Adaboost模型 | 第41-42页 |
| 5.2.3 元分类器 | 第42页 |
| 5.3 集成学习实验及结果 | 第42-45页 |
| 5.4 融合属性选择的集成学习类系统 | 第45-47页 |
| 5.5 本章小结 | 第47-48页 |
| 第六章 总结与展望 | 第48-50页 |
| 6.1 总结 | 第48页 |
| 6.2 展望 | 第48-50页 |
| 参考文献 | 第50-53页 |
| 论文和科研情况说明 | 第53-54页 |
| 致谢 | 第54页 |
