基于支持向量机的僵尸网络检测方法的研究
| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第9-15页 |
| 1.1 研究背景及意义 | 第9-11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.3 研究内容与论文组织结构 | 第13-15页 |
| 第2章 僵尸网络相关研究 | 第15-26页 |
| 2.1 僵尸网络的定义 | 第15-17页 |
| 2.2 僵尸网络的发展过程 | 第17-18页 |
| 2.3 僵尸网络的特点 | 第18-21页 |
| 2.3.1 主体功能模块 | 第20-21页 |
| 2.3.2 辅助功能模块 | 第21页 |
| 2.4 僵尸网络的工作机制 | 第21-22页 |
| 2.5 僵尸网络的检测 | 第22-24页 |
| 2.5.1 基于僵尸主机信息的检测方法 | 第23-24页 |
| 2.5.2 基于网络流量的僵尸网络检测方法 | 第24页 |
| 2.6 本章小结 | 第24-26页 |
| 第3章 基于网络流量检测僵尸网络算法的相关研究 | 第26-34页 |
| 3.1 基于关键字信息的僵尸网络检测 | 第26-30页 |
| 3.1.1 昵称检测算法 | 第26-27页 |
| 3.1.2 决策树算法 | 第27-28页 |
| 3.1.3 决策树算法在僵尸网络检测中的应用 | 第28-30页 |
| 3.2 基于网络异常行为检测僵尸网络 | 第30-33页 |
| 3.2.1 僵尸网络中异常行为的特征 | 第31页 |
| 3.2.2 基于网络异常行为的僵尸网络检测模型 | 第31-33页 |
| 3.3 本章小结 | 第33-34页 |
| 第4章 支持向量机的僵尸网络检测模型的设计与实现 | 第34-51页 |
| 4.1 僵尸网络的流量信息特征 | 第34-35页 |
| 4.2 支持向量机 | 第35-36页 |
| 4.3 构建支持向量机的僵尸网络检测模型 | 第36-37页 |
| 4.4 实验仿真 | 第37-43页 |
| 4.4.1 获取网络流量,提取流特征 | 第37-39页 |
| 4.4.2 数据预处理 | 第39-41页 |
| 4.4.3 训练与预测 | 第41-42页 |
| 4.4.4 实验结果分析 | 第42-43页 |
| 4.5 基于BP算法的神经网络 | 第43-47页 |
| 4.5.1 神经网络的基本原理 | 第43-45页 |
| 4.5.2 BP网络 | 第45-47页 |
| 4.6 实验仿真 | 第47-48页 |
| 4.7 SVM与BP网络对比分析 | 第48-50页 |
| 4.8 本章小结 | 第50-51页 |
| 第5章 总结与展望 | 第51-53页 |
| 5.1 论文的创新点 | 第51页 |
| 5.2 论文完成的主要工作 | 第51页 |
| 5.3 工作展望 | 第51-53页 |
| 参考文献 | 第53-56页 |
| 致谢 | 第56页 |
