| 摘要 | 第1-6页 |
| Abstract | 第6-7页 |
| 创新点摘要 | 第7-10页 |
| 引言 | 第10-12页 |
| 第1章 入侵检测与数据挖掘概述 | 第12-23页 |
| ·入侵检测技术的基本原理 | 第12-15页 |
| ·入侵检测系统概念 | 第12页 |
| ·入侵检测技术分类 | 第12-14页 |
| ·通用入侵检测模型 | 第14-15页 |
| ·入侵检测的数据源 | 第15-17页 |
| ·数据挖掘概述 | 第17-21页 |
| ·数据挖掘概念和定义 | 第17-18页 |
| ·数据挖掘的分类 | 第18-19页 |
| ·数据挖掘的分析方法 | 第19-20页 |
| ·数据挖掘处理过程模型 | 第20-21页 |
| ·数据挖掘与入侵检测 | 第21-22页 |
| ·本章小结 | 第22-23页 |
| 第2章 基于支持向量机的入侵检测方法 | 第23-34页 |
| ·支持向量机理论 | 第23-27页 |
| ·广义最优分类面 | 第23-25页 |
| ·支持向量机 | 第25-26页 |
| ·核函数 | 第26-27页 |
| ·基于支持向量机的算法 | 第27-31页 |
| ·基于支持向量机的二值分类算法 | 第27-28页 |
| ·基于支持向量机的多类分类算法 | 第28-31页 |
| ·基于支持向量机的入侵检测技术 | 第31-33页 |
| ·基于支持向量机的网络入侵检测思想 | 第31页 |
| ·基于支持向量机的网络入侵检测模型 | 第31-32页 |
| ·基于SVM 的分类器设计 | 第32-33页 |
| ·本章小结 | 第33-34页 |
| 第3章 基于粗糙集和支持向量机的混合入侵检测方法 | 第34-44页 |
| ·粗糙集与支持向量机的特点及结合的优势 | 第34-35页 |
| ·基于粗糙集的属性约简 | 第35-38页 |
| ·粗糙集基本概念 | 第35-36页 |
| ·粗糙集属性约简的思想 | 第36-37页 |
| ·基于区分矩阵的属性约简算法 | 第37-38页 |
| ·基于粗糙集和SVM 算法的入侵检测模型和检测过程 | 第38-39页 |
| ·基于粗糙集属性约简的SVM 的入侵检测实验 | 第39-43页 |
| ·实验数据的特征及具体形式 | 第39-40页 |
| ·TCP 记录特征属性约简和数值化 | 第40-41页 |
| ·核函数的选取 | 第41-42页 |
| ·实验结果及性能比较 | 第42-43页 |
| ·本章小结 | 第43-44页 |
| 第4章 基于多分类支持向量机的入侵检测方法 | 第44-54页 |
| ·目前多分类SVM 方法的比较 | 第44-46页 |
| ·目前多分类SVM 方法存在的不足 | 第46-48页 |
| ·“一对多”SVM | 第46页 |
| ·“一对一”SVM | 第46-47页 |
| ·有向无环图的多分类SVM | 第47-48页 |
| ·基于二叉树的多分类SVM 的入侵检测方法 | 第48-50页 |
| ·训练样本的选择方案 | 第48-49页 |
| ·支持向量机的决策方案 | 第49-50页 |
| ·基于二叉树的多分类SVM 方法的优势 | 第50页 |
| ·基于二叉树的多分类SVM 方法的入侵检测实验 | 第50-53页 |
| ·数据的特征及预处理 | 第50-51页 |
| ·核函数的选取 | 第51-52页 |
| ·实验结果及性能比较 | 第52-53页 |
| ·本章小结 | 第53-54页 |
| 结论 | 第54-55页 |
| 参考文献 | 第55-59页 |
| 发表文章目录 | 第59-60页 |
| 致谢 | 第60-61页 |
| 详细摘要 | 第61-64页 |