| 摘要 | 第3-5页 |
| Abstract | 第5-6页 |
| 1 绪论 | 第11-17页 |
| 1.1 研究背景与意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-15页 |
| 1.2.1 国内研究现状 | 第12-13页 |
| 1.2.2 国外研究现状 | 第13-15页 |
| 1.2.3 现存的问题及难点 | 第15页 |
| 1.3 本文主要工作及章节安排 | 第15-17页 |
| 1.3.1 本文主要工作 | 第15-16页 |
| 1.3.2 本文章节安排 | 第16-17页 |
| 2 相关技术介绍 | 第17-29页 |
| 2.1 增量学习 | 第17-18页 |
| 2.2 增量聚类算法 | 第18-20页 |
| 2.2.1 增量聚类算法的研究 | 第18-19页 |
| 2.2.2 相关技术 | 第19-20页 |
| 2.3 三支决策概述 | 第20-22页 |
| 2.4 Spark技术相关内容 | 第22-25页 |
| 2.4.1 Spark的特点 | 第23-24页 |
| 2.4.2 Spark的工作流程 | 第24-25页 |
| 2.5 文本分类相关内容 | 第25页 |
| 2.6 分类性能评估 | 第25-27页 |
| 2.7 本章小结 | 第27-29页 |
| 3 基于增量学习的三支决策KNN算法(IT-KNN) | 第29-47页 |
| 3.1 理论基础 | 第29-33页 |
| 3.1.1 传统的KNN算法 | 第29-31页 |
| 3.1.2 三支决策 | 第31-33页 |
| 3.2 基于增量学习的三支决策KNN算法 | 第33-42页 |
| 3.2.1 构建基于增量聚类的分类模型 | 第33-37页 |
| 3.2.2 基于三支决策的KNN分类器训练 | 第37-41页 |
| 3.2.3 数据分类的过程 | 第41-42页 |
| 3.3 实验验证及分析 | 第42-45页 |
| 3.3.1 数据来源 | 第42页 |
| 3.3.2 实验结果及其分析 | 第42-45页 |
| 3.4 本章小结 | 第45-47页 |
| 4 基于Spark的KNN分类器的优化 | 第47-59页 |
| 4.1 相关知识介绍 | 第47-49页 |
| 4.1.1 MapReduce编程模型和框架 | 第47-48页 |
| 4.1.2 KNN分类器和大数据 | 第48-49页 |
| 4.2 基于Spark的KNN分类器的优化 | 第49-53页 |
| 4.2.1 用于基于Spark的KNN分类器的优化的MapReduce | 第50-51页 |
| 4.2.2 基于Spark的KNN分类器的优化过程 | 第51-53页 |
| 4.3 实验验证 | 第53-57页 |
| 4.3.1 数据来源 | 第54-55页 |
| 4.3.2 实验结果及其分析 | 第55-57页 |
| 4.4 本章小结 | 第57-59页 |
| 5 基于增量的三支决策KNN算法在入侵检测中的应用 | 第59-67页 |
| 5.1 入侵检测概述 | 第59-61页 |
| 5.1.1 入侵检测的方法 | 第59-60页 |
| 5.1.2 入侵检测的功能 | 第60-61页 |
| 5.2 基于改进KNN算法的入侵检测研究 | 第61-62页 |
| 5.3 实验验证与分析 | 第62-65页 |
| 5.3.1 数据获取 | 第62-64页 |
| 5.3.2 实验验证 | 第64-65页 |
| 5.4 本章小结 | 第65-67页 |
| 6 总结与展望 | 第67-69页 |
| 6.1 总结 | 第67-68页 |
| 6.2 研究展望 | 第68-69页 |
| 致谢 | 第69-71页 |
| 参考文献 | 第71-77页 |
| 攻读学位期间的科研成果 | 第77页 |
