支持向量机在入侵检测系统中的应用
| 摘要 | 第1-5页 |
| Abstract | 第5-10页 |
| 第一章 绪论 | 第10-14页 |
| ·论文的研究背景及意义 | 第10-11页 |
| ·入侵检测系统研究现状 | 第11-13页 |
| ·论文的组织结构 | 第13-14页 |
| 第二章 入侵检测与支持向量机技术基础 | 第14-35页 |
| ·入侵检测的定义及分类 | 第14-15页 |
| ·入侵检测系统的体系结构 | 第15-17页 |
| ·集中式结构 | 第15页 |
| ·分布式结构 | 第15-16页 |
| ·分层结构 | 第16-17页 |
| ·入侵检测系统的工作模式 | 第17-18页 |
| ·入侵检测系统的测试与评估 | 第18-19页 |
| ·测试评估的数据来源 | 第18页 |
| ·评价入侵检测系统的参数 | 第18-19页 |
| ·机器学习的基本理论 | 第19-22页 |
| ·机器学习中基本问题的表示 | 第19-21页 |
| ·经验风险最小化原则 | 第21页 |
| ·复杂性和推能力 | 第21-22页 |
| ·统计学习理论 | 第22-26页 |
| ·VC维 | 第23-24页 |
| ·推广性的界 | 第24页 |
| ·结构风险最小化 | 第24-26页 |
| ·支持向量机 | 第26-33页 |
| ·广义最优超平面 | 第26-28页 |
| ·支持向量机基本理论 | 第28-30页 |
| ·核函数 | 第30-31页 |
| ·SVM训练算法 | 第31-32页 |
| ·多类问题中的SVM | 第32-33页 |
| ·本章小结 | 第33-35页 |
| 第三章 SVM在入侵检测中的应用 | 第35-45页 |
| ·支持向量机应用于入侵检测 | 第35页 |
| ·支持向量机方法实现入侵检测的基本思想 | 第35-36页 |
| ·实验数据集 | 第36-39页 |
| ·数据预处理 | 第39-40页 |
| ·网络数据特征选择 | 第40-42页 |
| ·基于支持向量机的入侵检测系统 | 第42-44页 |
| ·本章小结 | 第44-45页 |
| 第四章 实验结果及分析 | 第45-58页 |
| ·核函数及相应参数选择 | 第45-52页 |
| ·核函数选择 | 第45-47页 |
| ·核函数参数选择 | 第47-52页 |
| ·特征选择实验 | 第52-54页 |
| ·特征选择方法一 | 第52-53页 |
| ·特征选择方法二 | 第53-54页 |
| ·系统性能比较 | 第54-57页 |
| ·本章小结 | 第57-58页 |
| 第五章 结论与展望 | 第58-60页 |
| ·本文研究工作总结 | 第58-59页 |
| ·讨论与展望 | 第59-60页 |
| 参考文献 | 第60-62页 |
| 致谢 | 第62-63页 |
| 个人简历、在学期间发表的学术论文与研究成果 | 第63页 |
