| 摘要 | 第1-6页 |
| Abstract | 第6-10页 |
| 第1章 绪论 | 第10-16页 |
| ·课题研究背景及意义 | 第10-12页 |
| ·国内外研究现状 | 第12-14页 |
| ·论文研究内容 | 第14页 |
| ·论文组织结构 | 第14-16页 |
| 第2章 相关理论知识介绍 | 第16-24页 |
| ·特征选择简介 | 第16-19页 |
| ·特征选择概述 | 第16页 |
| ·两种特征选择算法 Relief 和 Mitra | 第16-19页 |
| ·支持向量机简介 | 第19-20页 |
| ·集成学习简介 | 第20-23页 |
| ·集成学习概述 | 第20-21页 |
| ·集成学习有效性条件 | 第21页 |
| ·基分类器获取方式 | 第21-22页 |
| ·元学习概述 | 第22-23页 |
| ·本章小结 | 第23-24页 |
| 第3章 网络钓鱼特征提取及选择 | 第24-36页 |
| ·网络钓鱼特征提取 | 第24-29页 |
| ·页面身份特征提取 | 第25-26页 |
| ·网络钓鱼特征向量生成 | 第26-29页 |
| ·基于 Relief 和 Mitra 融合的网络钓鱼特征选择 | 第29-35页 |
| ·基于 Relief 和 Mitra 融合的网络钓鱼特征选择框架 | 第29-30页 |
| ·网络钓鱼不相关特征的删除 | 第30-32页 |
| ·网络钓鱼冗余特征的删除 | 第32-34页 |
| ·基于 Relief 和 Mitra 融合的网络钓鱼特征选择算法 | 第34-35页 |
| ·本章小结 | 第35-36页 |
| 第4章 基于元学习的网络钓鱼检测 | 第36-44页 |
| ·基于元学习的网络钓鱼检测框架 | 第36-38页 |
| ·基于元学习的网络钓鱼检测算法 | 第38-43页 |
| ·基于不同训练集的基层分类器构造 | 第38-41页 |
| ·基于元学习的元层分类器构造 | 第41-43页 |
| ·本章小结 | 第43-44页 |
| 第5章 实验与分析 | 第44-51页 |
| ·实验数据与实验环境 | 第44-45页 |
| ·实验数据集获取 | 第44页 |
| ·实验环境 | 第44-45页 |
| ·实验评价指标 | 第45-46页 |
| ·基于 Relief 和 Mitra 融合的特征选择算法验证 | 第46-48页 |
| ·实验方案 | 第46页 |
| ·实验结果与分析 | 第46-48页 |
| ·基于元学习的网络钓鱼检测算法验证 | 第48-50页 |
| ·实验方案 | 第48页 |
| ·实验结果与分析 | 第48-50页 |
| ·本章小结 | 第50-51页 |
| 结论 | 第51-53页 |
| 参考文献 | 第53-57页 |
| 致谢 | 第57-58页 |
| 作者简介 | 第58页 |
