| 摘要 | 第1-5页 |
| ABSTRACT | 第5-7页 |
| 目录 | 第7-9页 |
| 第一章 绪论 | 第9-14页 |
| ·研究背景 | 第9页 |
| ·入侵检测国内外研究现状及存在的问题 | 第9-12页 |
| ·国内外研究现状 | 第9-11页 |
| ·存在问题 | 第11-12页 |
| ·研究内容和成果 | 第12-13页 |
| ·论文组织 | 第13-14页 |
| 第二章 数据挖掘与智能入侵检测 | 第14-22页 |
| ·数据挖掘技术 | 第14-16页 |
| ·数据挖掘的定义 | 第14页 |
| ·数据挖掘的过程 | 第14-15页 |
| ·数据挖掘技术在入侵检测中的应用 | 第15-16页 |
| ·入侵检测的产生和发展过程 | 第16-17页 |
| ·侵检测基本原理 | 第17页 |
| ·入侵检测的分类 | 第17-18页 |
| ·智能入侵检测技术 | 第18-22页 |
| ·基于神经网络的入侵检测模型 | 第19-20页 |
| ·基于决策树的入侵检测模型 | 第20页 |
| ·基于K近邻入侵检测模型 | 第20-21页 |
| ·基于人工免疫的入侵检测模型 | 第21-22页 |
| 第三章 贝叶斯网络概述 | 第22-30页 |
| ·贝叶斯网络的数学模型 | 第22-25页 |
| ·贝叶斯网络分类模型 | 第25-27页 |
| ·贝叶斯网络分类器的工作原理 | 第27-30页 |
| 第四章 基于信息增益-贝叶斯网络的智能入侵模型的研究 | 第30-66页 |
| ·入侵分类的相关工作 | 第30-31页 |
| ·技术背景 | 第31-32页 |
| ·基于朴素贝叶斯网络入侵检测模型 | 第32-42页 |
| ·朴素贝叶斯网络算法的实现 | 第34-36页 |
| ·数据来源 | 第36-37页 |
| ·数据预处理 | 第37页 |
| ·实验步骤 | 第37-38页 |
| ·实验及结果和评估 | 第38-42页 |
| ·基于信息增益—朴素贝叶斯网络入侵检测模型 | 第42-52页 |
| ·信息论基础 | 第42-44页 |
| ·改进的朴素贝叶斯算法的基本思想 | 第44-46页 |
| ·改进的NB分类模型的结构与实现 | 第46-52页 |
| ·实验 | 第48页 |
| ·实验结果 | 第48-50页 |
| ·实验结果分析 | 第50-52页 |
| ·基于增量式朴素贝叶斯的入侵检测模型 | 第52-56页 |
| ·增量式朴素贝叶斯的模型 | 第52-53页 |
| ·实验设计 | 第53-55页 |
| ·实验设计及结果分析 | 第55-56页 |
| ·基于贝叶斯网络的智能入侵检测模型 | 第56-66页 |
| ·贝叶斯网络的学习 | 第57-58页 |
| ·贝叶斯网络学习的相关定义 | 第58-60页 |
| ·贝叶斯网络学习算法 | 第60-63页 |
| ·实验结果 | 第63-66页 |
| 第五章 总结 | 第66-68页 |
| ·论文总结工作 | 第66-67页 |
| ·作展望 | 第67-68页 |
| 参考文献 | 第68-72页 |
| 附录 | 第72-74页 |
| 致谢 | 第74-75页 |
| 攻读学位期间发表的学术论文 | 第75页 |