| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 符号对照表 | 第10-11页 |
| 缩略语对照表 | 第11-14页 |
| 第一章 绪论 | 第14-20页 |
| 1.1 研究背景及意义 | 第14-15页 |
| 1.2 国内外研究现状 | 第15-17页 |
| 1.3 研究现状分析与创新点 | 第17-18页 |
| 1.3.1 研究现状的分析 | 第17-18页 |
| 1.3.2 创新点 | 第18页 |
| 1.4 论文的组织结构 | 第18-20页 |
| 第二章 相关知识和技术介绍 | 第20-28页 |
| 2.1 网络入侵检测系统 | 第20-22页 |
| 2.2 入侵检测系统的检测机制 | 第22-24页 |
| 2.2.1 基于特征检测机制的IDS | 第22-23页 |
| 2.2.2 基于异常检测机制的IDS | 第23-24页 |
| 2.3 入侵检测系统的机器学习算法 | 第24-27页 |
| 2.3.1 基于监督学习的IDS | 第25-26页 |
| 2.3.2 基于非监督学习的IDS | 第26-27页 |
| 2.4 本章小结 | 第27-28页 |
| 第三章 基于密度峰值与最邻近算法的入侵检测算法设计 | 第28-50页 |
| 3.1 基于密度峰值与最近邻算法的基本思路 | 第28-29页 |
| 3.2 数据预处理 | 第29-32页 |
| 3.2.1 特征选取 | 第29-30页 |
| 3.2.2 离散特征序列化 | 第30-31页 |
| 3.2.3 特征标准化 | 第31-32页 |
| 3.3 基于最邻近样本和聚类中心的特征表示方法 | 第32-38页 |
| 3.3.1 提取聚类中心和最邻近样本 | 第34-35页 |
| 3.3.2 新数据集的构造 | 第35-36页 |
| 3.3.3 KNN分类算法 | 第36-38页 |
| 3.4 基于快速搜索密度峰值的聚类算法 | 第38-47页 |
| 3.4.1 聚类中心的定义 | 第39-44页 |
| 3.4.2 快速搜索密度峰值的聚类算法 | 第44-46页 |
| 3.4.3 聚类算法的实现伪代码 | 第46-47页 |
| 3.5 本章小结 | 第47-50页 |
| 第四章 仿真实验与结果分析 | 第50-70页 |
| 4.1 实验环境 | 第50页 |
| 4.2 数据集介绍 | 第50-54页 |
| 4.2.1 KDD-Cup99数据集介绍 | 第50-52页 |
| 4.2.2 NSL-KDD数据集介绍 | 第52-54页 |
| 4.3 机器学习性能评估指标 | 第54-56页 |
| 4.4 实验内容 | 第56-69页 |
| 4.4.1 SVM基准分类器的实验结果 | 第57-59页 |
| 4.4.2 KNN基准分类器的实验结果 | 第59-61页 |
| 4.4.3 CANN方法的实验结果 | 第61-65页 |
| 4.4.4 降维后的CANN的实验结果 | 第65-68页 |
| 4.4.5 CANN的时间复杂度分析 | 第68-69页 |
| 4.5 本章小结 | 第69-70页 |
| 第五章 总结与展望 | 第70-72页 |
| 5.1 工作总结 | 第70页 |
| 5.2 工作展望 | 第70-72页 |
| 参考文献 | 第72-76页 |
| 致谢 | 第76-78页 |
| 作者简介 | 第78-79页 |