| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 第1章 绪论 | 第13-20页 |
| 1.1 课题的目的和意义 | 第13-14页 |
| 1.2 入侵检测技术分类 | 第14-17页 |
| 1.3 入侵检测系统及其未来发展趋势 | 第17-18页 |
| 1.4 本文结构安排 | 第18-20页 |
| 第2章 入侵检测技术研究概况 | 第20-42页 |
| 2.1 ARMA 线性检测技术 | 第20-25页 |
| 2.1.1 预测模型简介 | 第20页 |
| 2.1.2 预测流程 | 第20-21页 |
| 2.1.3 ARMA 模型的自相关分析 | 第21-25页 |
| 2.2 基于SVM 的非线性检测技术 | 第25-33页 |
| 2.2.1 支持向量机的原理 | 第25-31页 |
| 2.2.2 支持向量机的优点 | 第31页 |
| 2.2.3 基于支持向量机的入侵检测系统 | 第31-32页 |
| 2.2.4 检测效果分析 | 第32-33页 |
| 2.3 DARPA 数据库介绍 | 第33-41页 |
| 2.3.1 DARPA 数据内容 | 第33-35页 |
| 2.3.2 入侵信号的分类 | 第35-39页 |
| 2.3.3 数据的选取 | 第39-41页 |
| 2.4 本章小结 | 第41-42页 |
| 第3章 混沌同步理论 | 第42-48页 |
| 3.1 混沌的研究概况 | 第42-43页 |
| 3.2 混沌的基本特性 | 第43-44页 |
| 3.3 混沌同步的原理 | 第44-45页 |
| 3.4 混沌同步的数学模型 | 第45-47页 |
| 3.5 本章小结 | 第47-48页 |
| 第4章 基于混沌同步的入侵检测模型 | 第48-61页 |
| 4.1 系统结构框架 | 第48-49页 |
| 4.2 高斯混合模型(GMM)结合期望最大化(EM)算法建模 | 第49-51页 |
| 4.3 基于Liu 混沌系统同步的入侵检测 | 第51-55页 |
| 4.4 计算机仿真 | 第55-60页 |
| 4.5 本章小结 | 第60-61页 |
| 第5章 基于RVM 算法的入侵检测模型 | 第61-70页 |
| 5.1 RVM 基本原理 | 第61-63页 |
| 5.2 RVM 与SVM 比较 | 第63页 |
| 5.3 计算机仿真 | 第63-68页 |
| 5.3.1 RV 与SV 稀疏特性与泛化能力比较 | 第63-66页 |
| 5.3.2 RVM 的仿真结果 | 第66-68页 |
| 5.4 本章小结 | 第68-70页 |
| 第6章 总结与展望 | 第70-72页 |
| 6.1 本文研究内容与创新点 | 第70页 |
| 6.2 未来研究工作展望 | 第70-72页 |
| 参考文献 | 第72-77页 |
| 致谢 | 第77-78页 |
| 攻读学位期间发表的学术论文 | 第78页 |