| 摘要 | 第4-6页 |
| Abstract | 第6-8页 |
| 第1章 绪论 | 第12-26页 |
| 1.1 研究背景 | 第12-15页 |
| 1.2 入侵检测 | 第15-20页 |
| 1.2.1 入侵检测概述 | 第15-18页 |
| 1.2.2 入侵检测研究现状 | 第18-20页 |
| 1.3 入侵检测数据集和评价指标 | 第20-23页 |
| 1.3.1 KDD CUP 99 数据集 | 第20-21页 |
| 1.3.2 DARPA 2000 数据集 | 第21-22页 |
| 1.3.3 入侵检测评价指标 | 第22-23页 |
| 1.4 本文研究内容和意义 | 第23-24页 |
| 1.5 文章结构 | 第24-26页 |
| 第2章 基于机器学习的入侵检测系统框架 | 第26-38页 |
| 2.1 机器学习概述 | 第26-31页 |
| 2.1.1 基本概念 | 第26-27页 |
| 2.1.2 研究现状 | 第27-28页 |
| 2.1.3 分类和典型算法 | 第28-31页 |
| 2.2 基于机器学习的入侵检测框架 | 第31-36页 |
| 2.2.1 经典网络安全模型 | 第31-34页 |
| 2.2.2 基于机器学习的入侵检测系统框架 | 第34-36页 |
| 2.3 本章小结 | 第36-38页 |
| 第3章 基于特征选择的入侵数据降维方法 | 第38-60页 |
| 3.1 特征选择 | 第38-42页 |
| 3.1.1 特征选择概述 | 第38-39页 |
| 3.1.2 研究现状 | 第39-40页 |
| 3.1.3 特征选择方法的分类 | 第40-42页 |
| 3.2 过滤式特征选择算法 | 第42-50页 |
| 3.2.1 Fisher 特征选择 | 第42-44页 |
| 3.2.2 ReliefF 特征选择 | 第44-45页 |
| 3.2.3 mRMR 特征选择 | 第45-46页 |
| 3.2.4 InfoGain 特征选择 | 第46-48页 |
| 3.2.5 实验分析 | 第48-50页 |
| 3.3 包裹式特征选择算法 | 第50-57页 |
| 3.3.1 包裹式特征选择设计 | 第50-51页 |
| 3.3.2 分类算法 | 第51-54页 |
| 3.3.3 实验分析 | 第54-57页 |
| 3.4 本章小结 | 第57-60页 |
| 第4章 基于人工神经网络的入侵检测算法 | 第60-78页 |
| 4.1 人工神经网络 | 第60-67页 |
| 4.1.1 人工神经网络概述 | 第60-61页 |
| 4.1.2 研究现状 | 第61-62页 |
| 4.1.3 典型算法 | 第62-67页 |
| 4.2 基于 PSO 优化的 RBF 神经网络算法 | 第67-70页 |
| 4.2.1 PSO 算法 | 第67-68页 |
| 4.2.2 PSO-RBF 算法 | 第68-69页 |
| 4.2.3 算法描述 | 第69-70页 |
| 4.3 实验分析 | 第70-76页 |
| 4.4 本章小结 | 第76-78页 |
| 第5章 基于聚类的入侵检测误报消除方法 | 第78-90页 |
| 5.1 聚类分析 | 第78-82页 |
| 5.1.1 聚类分析概述 | 第78-79页 |
| 5.1.2 研究现状 | 第79-80页 |
| 5.1.3 典型的聚类算法 | 第80-82页 |
| 5.2 入侵检测中的误报 | 第82-83页 |
| 5.3 基于聚类的误报消除 | 第83-85页 |
| 5.4 实验分析 | 第85-87页 |
| 5.4.1 评价指标 | 第85-86页 |
| 5.4.2 实验结果分析 | 第86-87页 |
| 5.5 本章小结 | 第87-90页 |
| 第6章 结论与展望 | 第90-94页 |
| 6.1 结论 | 第90-91页 |
| 6.2 展望 | 第91-94页 |
| 参考文献 | 第94-110页 |
| 攻读博士学位期间取得的科研成果 | 第110-112页 |
| 致谢 | 第112页 |