基于支持向量机的入侵检测研究
| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 目录 | 第6-8页 |
| 第1章 绪论 | 第8-12页 |
| 1.1 课题背景与意义 | 第8-9页 |
| 1.2 入侵检测的相关研究与进展 | 第9-10页 |
| 1.3 支持向量机相关研究与进展 | 第10-11页 |
| 1.4 本文组织结构 | 第11-12页 |
| 第2章 入侵和入侵检测 | 第12-15页 |
| 2.1 入侵与入侵检测的相关概念 | 第12页 |
| 2.2 入侵检测的功能 | 第12页 |
| 2.3 入侵检测的分类 | 第12-14页 |
| 2.3.1 根据检测方法来分类 | 第13页 |
| 2.3.2 按体系结构分类 | 第13-14页 |
| 2.4 IDS 存在问题及发展方向 | 第14-15页 |
| 2.4.1 IDS 存在的问题 | 第14页 |
| 2.4.2 IDS 的发展方向 | 第14-15页 |
| 第3章 统计学习理论和支持向量机概述 | 第15-23页 |
| 3.1 机器学习 | 第15-17页 |
| 3.1.1 问题表示 | 第15-16页 |
| 3.1.2 经验风险最小化 | 第16页 |
| 3.1.3 复杂性与推广能力的界 | 第16-17页 |
| 3.2 统计学习理论 | 第17-19页 |
| 3.2.1 VC 维 | 第17页 |
| 3.2.2 推广性的界 | 第17-18页 |
| 3.2.3 结构风险最小化 | 第18-19页 |
| 3.3 支持向量机 | 第19-21页 |
| 3.3.1 最优超平面与支持向量 | 第19-21页 |
| 3.3.2 支持向量机的概念 | 第21页 |
| 3.3.3 内积核函数 | 第21页 |
| 3.4 支持向量机方法应用于入侵检测的可行性 | 第21-22页 |
| 3.5 支持向量机方法实现入侵检测的基本思想 | 第22-23页 |
| 第4章 基于支持向量机的入侵检测技术研究 | 第23-29页 |
| 4.1 基于 SVM 的入侵检测模型 | 第23-24页 |
| 4.2 TCP/IP 协议族 | 第24-25页 |
| 4.3 Winsock 中的原始 socket | 第25-27页 |
| 4.4 基于原始 socket 的 IP 包获取 | 第27-29页 |
| 第5章 实验 | 第29-44页 |
| 5.1 数据集 | 第29-33页 |
| 5.2 实验数据标准化 | 第33-37页 |
| 5.3 实验结果比较与分析 | 第37-44页 |
| 总结与展望 | 第44-45页 |
| 参考文献 | 第45-47页 |
| 致谢 | 第47页 |
