摘要 | 第5-6页 |
Abstract | 第6页 |
第一章 绪论 | 第10-16页 |
1.1 课题的研究背景和意义 | 第10-13页 |
1.2 国内外发展动态 | 第13-14页 |
1.3 主要研究内容和论文结构 | 第14-15页 |
1.3.1 主要的研究内容计划如下 | 第14-15页 |
1.3.2 本文的组织安排 | 第15页 |
本章小结 | 第15-16页 |
第二章 入侵检测技术 | 第16-29页 |
2.1 入侵检测系统原理 | 第16-18页 |
2.2 入侵检测系统体系结构分类 | 第18-21页 |
2.2.1 基于主机的入侵检测系统(HIDS) | 第18页 |
2.2.2 基于网络的入侵检测系统(NIDS) | 第18-19页 |
2.2.3 混合分布式的入侵检测系统(DIDS) | 第19-21页 |
2.3 入侵检测方法 | 第21-23页 |
2.3.1 异常检测(Anomaly Detection) | 第21-22页 |
2.3.2 误用检测(Misuse Detection) | 第22-23页 |
2.4 入侵检测技术 | 第23-26页 |
2.4.1 基于统计方法的入侵检测技术 | 第23-24页 |
2.4.2 基于神经网络的入侵检测技术 | 第24-25页 |
2.4.3 基于专家系统的入侵检测技术 | 第25页 |
2.4.4 基于模型推理的入侵检测技术 | 第25-26页 |
2.4.5 基于生物免疫的入侵检测技术 | 第26页 |
2.5 入侵检测系统 | 第26-28页 |
2.5.1 入侵检测系统的数据源 | 第26-27页 |
2.5.2 入侵检测系统现状 | 第27-28页 |
本章小结 | 第28-29页 |
第三章 数据挖掘技术 | 第29-43页 |
3.1 数据挖掘概念 | 第29页 |
3.2 数据挖掘过程 | 第29-30页 |
3.3 数据挖掘分析方法 | 第30-42页 |
3.3.1 关联分析(Association Analysis) | 第30-33页 |
3.3.2 序列分析(Frequent Episode Analysis) | 第33-37页 |
3.3.3 分类分析(Classification Analysis) | 第37页 |
3.3.4 聚类分析(Clustering Analysis) | 第37-42页 |
本章小结 | 第42-43页 |
第四章 数据挖掘在入侵检测系统中的应用 | 第43-49页 |
4.1 数据挖掘在入侵检测中应用的必要性 | 第43-44页 |
4.2 入侵检测系统的数据挖掘过程 | 第44-46页 |
4.3 基于数据挖掘的入侵检测框架 | 第46-47页 |
4.4 数据挖掘算法在入侵检测中的应用及优点 | 第47-48页 |
本章小结 | 第48-49页 |
第五章 基于数据挖掘的入侵检测系统的设计 | 第49-56页 |
5.1 现有入侵检测系统的不足 | 第49-50页 |
5.2 入侵检测系统模型的设计 | 第50-52页 |
5.2.1 设计思想 | 第50页 |
5.2.2 模块功能简介 | 第50-51页 |
5.2.3 工作流程 | 第51-52页 |
5.3 核心模块设计 | 第52-55页 |
5.3.1 聚类分析模块 | 第52-53页 |
5.3.2 预检测引擎 | 第53-54页 |
5.3.3 特征提取器 | 第54-55页 |
本章小结 | 第55-56页 |
第六章 基于数据挖掘的入侵检测系统的实现 | 第56-73页 |
6.1 K-means算法的改进 | 第56-60页 |
6.1.1 K-均值算法(K-means) | 第56-57页 |
6.1.2 传统K-means算法的缺点及改进措施 | 第57-58页 |
6.1.3 改进的K-means算法 | 第58页 |
6.1.4 基于聚类分析的入侵检测方法 | 第58-60页 |
6.2 Apriori算法的改进 | 第60-65页 |
6.2.1 项目集的定义和性质 | 第60-61页 |
6.2.2 传统的Apriori算法 | 第61-62页 |
6.2.3 Apriori的缺点和改进思路 | 第62-63页 |
6.2.4 改进Apriori算法 | 第63-65页 |
6.3 模拟实验 | 第65-72页 |
6.3.1 实验环境 | 第65-66页 |
6.3.2 实验过程及结果分析 | 第66-71页 |
6.3.3 结论 | 第71-72页 |
本章小结 | 第72-73页 |
结论 | 第73-74页 |
参考文献 | 第74-76页 |
攻读硕士学位期间发表的学术论文 | 第76-77页 |
致谢 | 第77页 |