| 摘要 | 第1-4页 |
| Abstract | 第4-7页 |
| 1 绪论 | 第7-12页 |
| ·论文研究背景和意义 | 第7页 |
| ·国内外研究现状 | 第7-9页 |
| ·论文的研究目的 | 第9-10页 |
| ·论文的研究内容和组织结构 | 第10-11页 |
| ·本章小结 | 第11-12页 |
| 2 入侵检测技术概述 | 第12-18页 |
| ·入侵检测简介 | 第12页 |
| ·入侵检测系统的基本原理 | 第12-13页 |
| ·入侵检测系统的分类 | 第13-15页 |
| ·根据检测技术分类 | 第13-14页 |
| ·根据数据来源分类 | 第14页 |
| ·根据体系结构分类 | 第14-15页 |
| ·基于数据挖掘的入侵检测技术 | 第15-17页 |
| ·数据挖掘概述 | 第15-16页 |
| ·在入侵检测中应用的数据挖掘算法 | 第16-17页 |
| ·数据挖掘的入侵检测模型 | 第17页 |
| ·本章小结 | 第17-18页 |
| 3 蚁群聚类的SVM算法 | 第18-44页 |
| ·主动学习的SVM算法 | 第18-30页 |
| ·SVM的分类原理 | 第18-19页 |
| ·线性支持向量机 | 第19-21页 |
| ·广义线性支持向量机 | 第21-22页 |
| ·非线性支持向量机 | 第22-23页 |
| ·支持向量机的实现技术——序贯最小优化算法(SMO) | 第23-28页 |
| ·基于主动学习SVM的入侵检测 | 第28-30页 |
| ·蚁群聚类算法 | 第30-37页 |
| ·基本概念建模 | 第30-34页 |
| ·蚁群聚类算法描述 | 第34-35页 |
| ·基于蚁群聚类算法的入侵检测 | 第35-37页 |
| ·支持向量机和蚁群聚类的融合 | 第37-43页 |
| ·带聚类的主动学习SVM算法 | 第37-39页 |
| ·基于蚁群聚类算法对特定对象聚类 | 第39-43页 |
| ·本章小结 | 第43-44页 |
| 4 基于蚁群聚类的SVM算法的入侵检测模型 | 第44-52页 |
| ·数据收集模块 | 第44页 |
| ·数据预处理模块 | 第44-49页 |
| ·KDD数据集介绍 | 第44页 |
| ·KDD数据集分割 | 第44-48页 |
| ·数据标准化 | 第48-49页 |
| ·蚁群聚类的SVM算法处理模块 | 第49-50页 |
| ·检测模块 | 第50-51页 |
| ·本章小结 | 第51-52页 |
| 5 实验结果和分析 | 第52-61页 |
| ·实验环境 | 第52页 |
| ·三种算法下的检测结果对比 | 第52-60页 |
| ·主动学习SVM算法的入侵检测结果 | 第53-55页 |
| ·蚁群聚类算法的入侵检测结果 | 第55-57页 |
| ·蚁群聚类的SVM入侵检测结果 | 第57-59页 |
| ·检测结果比较 | 第59-60页 |
| ·本章小结 | 第60-61页 |
| 6 总结与展望 | 第61-63页 |
| ·论文总结 | 第61页 |
| ·下一步研究方向 | 第61-63页 |
| 致谢 | 第63-64页 |
| 参考文献 | 第64-66页 |