摘要 | 第3-5页 |
Abstract | 第5-6页 |
第一章 绪论 | 第11-17页 |
1.1 引言 | 第11-12页 |
1.2 国内外研究现状 | 第12-16页 |
1.2.1 入侵检测研究现状 | 第12-13页 |
1.2.2 恶意代码研究现状 | 第13-16页 |
1.3 本文的研究内容和结构安排 | 第16-17页 |
1.3.1 本文的主要工作 | 第16页 |
1.3.2 本文的结构安排 | 第16-17页 |
第二章 数据降维 | 第17-22页 |
2.1 特征提取 | 第17-18页 |
2.2 特征选择 | 第18-21页 |
2.2.1 粗糙集特征选择算法 | 第18-19页 |
2.2.2 改进粗糙集特征选择算法 | 第19-21页 |
2.3 本章总结 | 第21-22页 |
第三章 基于BP神经网络的入侵和恶意代码分类 | 第22-34页 |
3.1 人工神经网络 | 第22-27页 |
3.1.1 概述 | 第22-24页 |
3.1.2 BP神经网络算法理论 | 第24-27页 |
3.2 BP神经网络分类模型 | 第27-28页 |
3.3 实验仿真 | 第28-33页 |
3.3.1 入侵实验结果分析 | 第28-30页 |
3.3.2 恶意代码实验结果分析 | 第30-33页 |
3.4 本章总结 | 第33-34页 |
第四章 基于ELM的入侵和恶意代码分类 | 第34-49页 |
4.1 ELM算法 | 第34-39页 |
4.1.1 单隐层前馈神经网络 | 第34-36页 |
4.1.2 ELM算法理论 | 第36-39页 |
4.2 基于ELM的入侵分类方法 | 第39-43页 |
4.2.1 基于PCA特征提取的ELM入侵分类 | 第41-42页 |
4.2.2 基于RS属性约简的ELM入侵分类 | 第42-43页 |
4.3 基于ELM的恶意代码分类方法 | 第43-48页 |
4.3.1 基于PCA特征选择的ELM恶意代码分类 | 第45-46页 |
4.3.2 基于RS属性约简的ELM恶意代码分类 | 第46-48页 |
4.4 本章总结 | 第48-49页 |
第五章 在线顺序极限学习机 | 第49-62页 |
5.1 OS-ELM算法理论 | 第49-53页 |
5.2 基于OS-ELM入侵分类方法 | 第53-57页 |
5.2.1 基于PCA特征提取的OS-ELM入侵分类方法 | 第55-56页 |
5.2.2 基于RS特征选择的OS-ELM入侵分类方法 | 第56-57页 |
5.3 基于OS-ELM恶意代码分类方法 | 第57-61页 |
5.3.1 基于PCA特征提取的OS-ELM恶意代码分类方法 | 第59页 |
5.3.2 基于RS特征选择的OS-ELM恶意代码分类方法 | 第59-61页 |
5.4 本章总结 | 第61-62页 |
第六章 展望与总结 | 第62-65页 |
参考文献 | 第65-69页 |
发表论文和科研情况说明 | 第69-71页 |
致谢 | 第71-73页 |