基于深度学习和迁移学习的入侵检测研究
| 摘要 | 第10-11页 |
| ABSTRACT | 第11-12页 |
| 第一章 绪论 | 第13-19页 |
| 1.1 课题研究背景及意义 | 第13-14页 |
| 1.2 入侵检测系统概述 | 第14-15页 |
| 1.3 深度学习概述 | 第15-16页 |
| 1.4 国内外研究现状 | 第16-17页 |
| 1.4.1 学术研究 | 第16-17页 |
| 1.4.2 工业应用 | 第17页 |
| 1.5 本文的研究内容和组织结构 | 第17-19页 |
| 第二章 入侵检测系统与技术 | 第19-29页 |
| 2.1 入侵检测系统 | 第19-22页 |
| 2.1.1 入侵检测系统发展和分类 | 第19-21页 |
| 2.1.2 入侵检测系统通用架构 | 第21-22页 |
| 2.2 入侵检测技术 | 第22-27页 |
| 2.2.1 误用检测 | 第22页 |
| 2.2.2 异常检测 | 第22-26页 |
| 2.2.3 混合检测技术 | 第26-27页 |
| 2.3 入侵检测的挑战和趋势 | 第27-28页 |
| 2.4 本章小结 | 第28-29页 |
| 第三章 深度学习技术 | 第29-43页 |
| 3.1 深度学习发展过程 | 第29-30页 |
| 3.2 深度学习和传统机器学习的异同 | 第30-31页 |
| 3.3 深度学习的训练与识别 | 第31-35页 |
| 3.3.1 梯度下降算法 | 第31-33页 |
| 3.3.2 深度学习训练过程 | 第33-34页 |
| 3.3.3 深度学习模型预测过程 | 第34-35页 |
| 3.4 深度学习常用模型 | 第35-39页 |
| 3.4.1 深度置信网络 | 第35-36页 |
| 3.4.2 循环神经网络 | 第36-37页 |
| 3.4.3 卷积神经网络 | 第37-39页 |
| 3.5 卷积 | 第39-41页 |
| 3.6 主流深度学习框架 | 第41-42页 |
| 3.7 本章小结 | 第42-43页 |
| 第四章 基于卷积神经网络的入侵检测 | 第43-49页 |
| 4.1 入侵检测模型结构 | 第43-44页 |
| 4.2 模型参数 | 第44-45页 |
| 4.2.1 输入数据大小 | 第44页 |
| 4.2.2 卷积层参数设定 | 第44页 |
| 4.2.3 池化层参数设定 | 第44页 |
| 4.2.4 超参数设定 | 第44-45页 |
| 4.3 模型评价指标 | 第45-46页 |
| 4.3.1 准确率 | 第45-46页 |
| 4.3.2 精确率 | 第46页 |
| 4.3.3 召回率 | 第46页 |
| 4.3.4 F1值 | 第46页 |
| 4.4 基于卷积神经网络的入侵检测模型 | 第46-48页 |
| 4.5 本章小结 | 第48-49页 |
| 第五章 基于卷积神经网络的入侵检测实验与分析 | 第49-63页 |
| 5.1 KDD 99数据集 | 第49-50页 |
| 5.2 数据预处理 | 第50-52页 |
| 5.3 模型训练 | 第52-59页 |
| 5.3.1 确定模型结构 | 第52-56页 |
| 5.3.2 超参数进行调整 | 第56-58页 |
| 5.3.3 与其他机器学习算法比较 | 第58-59页 |
| 5.4 迁移学习与微调 | 第59-62页 |
| 5.4.1 泛化能力 | 第59-60页 |
| 5.4.2 迁移学习和微调 | 第60-62页 |
| 5.5 小结 | 第62-63页 |
| 第六章 总结与展望 | 第63-65页 |
| 6.1 总结 | 第63-64页 |
| 6.2 展望 | 第64-65页 |
| 参考文献 | 第65-68页 |
| 致谢 | 第68-69页 |
| 攻读硕士研究生期间研究成果 | 第69-70页 |
| 附件 | 第70页 |
