基于数据挖掘和知识框架的入侵警报关联研究
| 提要 | 第1-7页 |
| 第1章 绪论 | 第7-10页 |
| ·研究背景 | 第7-9页 |
| ·研究主要内容和意义 | 第9页 |
| ·论文的组织与安排 | 第9-10页 |
| 第2章 基于数据挖掘和知识框架的入侵警报关联模型 | 第10-15页 |
| ·入侵检测系统 | 第10-11页 |
| ·入侵检测系统数据源 | 第10页 |
| ·入侵检测系统分类 | 第10-11页 |
| ·入侵警报关联 | 第11-12页 |
| ·模型概述 | 第12-13页 |
| ·设计原则 | 第13-15页 |
| 第3章 基于改进密度聚类的入侵警报器 | 第15-24页 |
| ·相关工作 | 第15页 |
| ·主要算法 | 第15-19页 |
| ·基础理论 | 第16-17页 |
| ·训练和加权算法 | 第17-19页 |
| ·实验结果与讨论 | 第19-23页 |
| ·实验数据描述 | 第19-20页 |
| ·参数选择 | 第20-21页 |
| ·权值和特征筛选 | 第21-22页 |
| ·检测效果与分析 | 第22-23页 |
| ·本章小结 | 第23-24页 |
| 第4章 基于SVM 的攻击分类器 | 第24-37页 |
| ·统计学习理论 | 第24页 |
| ·统计学习理论中一些基本观点 | 第24-26页 |
| ·VC 维 | 第24-25页 |
| ·结构风险最小化原理 | 第25-26页 |
| ·支持向量机 | 第26-30页 |
| ·分类问题 | 第26-28页 |
| ·线性可分支持向量分类机 | 第28-29页 |
| ·线性不可分支持向量分类机 | 第29-30页 |
| ·非线性可分支持向量分类机 | 第30页 |
| ·基于SVM 的多分类算法 | 第30-31页 |
| ·实验结果和讨论 | 第31-36页 |
| ·实验数据与实验平台 | 第31-33页 |
| ·核函数的选择和最优参数 | 第33-34页 |
| ·分类效果与分析 | 第34-36页 |
| ·本章小结 | 第36-37页 |
| 第5章 基于本体的警报知识库 | 第37-50页 |
| ·本体定义 | 第37页 |
| ·相关工作 | 第37-38页 |
| ·本体语言 | 第38-40页 |
| ·本体的建模原语 | 第38-39页 |
| ·本体的描述语言 | 第39-40页 |
| ·相关工具 | 第40-41页 |
| ·入侵警报知识库 | 第41-48页 |
| ·攻击知识框架的本体表示 | 第41-43页 |
| ·攻击场景描述 | 第43-44页 |
| ·攻击场景的本体表示 | 第44-47页 |
| ·结果分析 | 第47-48页 |
| ·本章小结 | 第48-50页 |
| 第6章 总结与展望 | 第50-52页 |
| ·总结 | 第50页 |
| ·下一步工作和研究展望 | 第50-52页 |
| 参考文献 | 第52-56页 |
| 致谢 | 第56-57页 |
| 摘要 | 第57-60页 |
| ABSTRACT | 第60-62页 |
