基于支持向量机的网络漏洞分类方法的研究
| 摘要 | 第1-4页 |
| Abstract | 第4-5页 |
| 目录 | 第5-8页 |
| 1 绪论 | 第8-12页 |
| ·课题背景 | 第8页 |
| ·研究意义 | 第8-9页 |
| ·课题研究现状 | 第9-10页 |
| ·论文研究内容与组织结构 | 第10-12页 |
| ·论文研究的内容 | 第10-11页 |
| ·论文的组织结构 | 第11-12页 |
| 2 网络漏洞的理论基础 | 第12-19页 |
| ·漏洞的定义 | 第12-14页 |
| ·基于访问控制的定义 | 第12-13页 |
| ·基于状态空间的定义 | 第13页 |
| ·基于模糊概念的定义 | 第13-14页 |
| ·存在漏洞的原因 | 第14-15页 |
| ·漏洞的分类 | 第15-18页 |
| ·漏洞分类的原则 | 第15-16页 |
| ·漏洞的分类 | 第16-18页 |
| ·本章小结 | 第18-19页 |
| 3 统计学理论和支持向量机 | 第19-32页 |
| ·机器学习 | 第19-20页 |
| ·机器学习的基本问题和方法 | 第20-22页 |
| ·机器学习问题的表示 | 第20-21页 |
| ·经验风险最小化 | 第21页 |
| ·复杂性与推广能力 | 第21-22页 |
| ·统计学习理论 | 第22-24页 |
| ·学习过程一致性的条件 | 第22-23页 |
| ·VC维 | 第23页 |
| ·推广性的界 | 第23-24页 |
| ·结构风险最小化 | 第24页 |
| ·支持向量机 | 第24-30页 |
| ·最优分类面 | 第25-28页 |
| ·广义最优分类面 | 第28页 |
| ·核函数 | 第28-29页 |
| ·支持向量机的特点 | 第29-30页 |
| ·支持向量机的优化算法 | 第30页 |
| ·需要解决的问题和进一步研究的方向 | 第30-31页 |
| ·本章小结 | 第31-32页 |
| 4 多类支持向量机分类算法 | 第32-37页 |
| ·“一对多”方法 | 第32-33页 |
| ·“一对一”方法 | 第33-34页 |
| ·一次性求解方法 | 第34-35页 |
| ·决策有向无环图 | 第35-36页 |
| ·本章小结 | 第36-37页 |
| 5 支持向量机用于实现网络漏洞的分类 | 第37-49页 |
| ·现有多类支持向量机分类算法存在的问题 | 第37页 |
| ·二叉树多类支持向量机 | 第37-39页 |
| ·构造二叉树 | 第39-43页 |
| ·基于聚类算法的二叉树多类SVM | 第40-42页 |
| ·结合网络漏洞的特征构造二叉树 | 第42-43页 |
| ·特征加权 | 第43-46页 |
| ·用支持向量机构造网络漏洞分类的分类器 | 第46-48页 |
| ·数据分类的过程 | 第46-47页 |
| ·支持向量机(SVM)分类器的分类过程 | 第47页 |
| ·基于支持向量机的网络漏洞分类器模型 | 第47-48页 |
| ·本章小结 | 第48-49页 |
| 6 实验及结果分析 | 第49-56页 |
| ·实验环境 | 第49页 |
| ·实验数据的来源 | 第49-50页 |
| ·实验处理的流程 | 第50-52页 |
| ·SVM的训练步骤及核函数的选择 | 第52-53页 |
| ·SVM的训练和预测步骤 | 第52-53页 |
| ·核函数的确定与参数的选择 | 第53页 |
| ·实验结果比较与分析 | 第53-55页 |
| ·本章小结 | 第55-56页 |
| 7 总结与展望 | 第56-58页 |
| ·总结 | 第56-57页 |
| ·对未来研究的展望 | 第57-58页 |
| 致谢 | 第58-59页 |
| 参考文献 | 第59-62页 |
