基于改进SVM的网络入侵检测算法研究
| 摘要 | 第1-4页 |
| ABSTRACT | 第4-8页 |
| 1 绪论 | 第8-16页 |
| ·论文研究背景及意义 | 第8-10页 |
| ·入侵检测系统(IDS) | 第10-14页 |
| ·IDS的概念及模型 | 第10-11页 |
| ·IDS的分类 | 第11-12页 |
| ·IDS的主要研究技术 | 第12-14页 |
| ·IDS现存的问题 | 第14页 |
| ·论文的研究内容 | 第14-15页 |
| ·论文的章节安排 | 第15-16页 |
| 2 支持向量机理论 | 第16-25页 |
| ·SVM的统计学基础 | 第16-18页 |
| ·分类问题的表示 | 第16-17页 |
| ·经验风险最小化 | 第17页 |
| ·VC维 | 第17页 |
| ·推广性的界 | 第17-18页 |
| ·结构风险最小化 | 第18页 |
| ·线性可分问题的SVM | 第18-20页 |
| ·最大间隔法 | 第18-19页 |
| ·原始问题与对偶问题的解 | 第19-20页 |
| ·线性支持向量分类机 | 第20-21页 |
| ·非线性支持向量分类机 | 第21-22页 |
| ·SVM增量学习算法 | 第22-24页 |
| ·支持向量及其特点 | 第22-23页 |
| ·SVM增量学习算法 | 第23-24页 |
| ·本章小结 | 第24-25页 |
| 3 基于R-SVM降维的网络入侵检测 | 第25-40页 |
| ·网络入侵检测的数据集 | 第25-30页 |
| ·KDD99 数据集 | 第25-29页 |
| ·数据集规范化 | 第29-30页 |
| ·递归支持向量机(R-SVM) | 第30-31页 |
| ·算法实验 | 第31-39页 |
| ·实验过程描述 | 第31-32页 |
| ·实验数据及环境 | 第32-34页 |
| ·算法评价指标 | 第34页 |
| ·提取的特征分析 | 第34-35页 |
| ·实验结果分析 | 第35-39页 |
| ·本章小结 | 第39-40页 |
| 4 基于流形和SVM的网络入侵检测 | 第40-59页 |
| ·流形学习算法 | 第40-42页 |
| ·K-MEANS聚类算法 | 第42页 |
| ·算法实验 | 第42-58页 |
| ·实验过程描述 | 第42-44页 |
| ·实验数据及环境 | 第44-45页 |
| ·聚类算法的有效性 | 第45-47页 |
| ·提取的特征分析 | 第47-48页 |
| ·算法的比较与分析 | 第48-58页 |
| ·本章小结 | 第58-59页 |
| 5 总结与展望 | 第59-60页 |
| 致谢 | 第60-61页 |
| 参考文献 | 第61-63页 |
| 附录 | 第63页 |
