基于粒子群优化支持向量机的异常入侵检测研究
| 摘要 | 第1-6页 |
| Abstract | 第6-11页 |
| 1 绪论 | 第11-17页 |
| ·引言 | 第11-13页 |
| ·网络安全与入侵检测 | 第13-15页 |
| ·论文的研究内容及章节安排 | 第15-17页 |
| 2 入侵检测 | 第17-28页 |
| ·入侵检测系统概述 | 第17-18页 |
| ·入侵检测模型 | 第18-20页 |
| ·入侵检测系统的分类 | 第20-23页 |
| ·入侵检测技术的应用 | 第23-25页 |
| ·入侵检测的研究发展趋势 | 第25-26页 |
| ·本章小结 | 第26-28页 |
| 3 粒子群优化算法 | 第28-36页 |
| ·粒子群算法简介 | 第28-29页 |
| ·粒子群算法的原理 | 第29-31页 |
| ·粒子群算法的参数分析与算法流程 | 第31-32页 |
| ·遗传算法与粒子群优化算法的比较 | 第32-33页 |
| ·改进的粒子群算法 | 第33-35页 |
| ·本章小结 | 第35-36页 |
| 4 支持向量机 | 第36-45页 |
| ·支持向量机简介 | 第36-37页 |
| ·支持向量机的理论背景 | 第37-39页 |
| ·最优分类面 | 第37-38页 |
| ·VC维 | 第38-39页 |
| ·结构风险最小化 | 第39页 |
| ·支持向量机的基本原理 | 第39-41页 |
| ·支持向量机参数对其性能的影响 | 第41-42页 |
| ·支持向量机的优点 | 第42-43页 |
| ·本章小结 | 第43-45页 |
| 5 基于粒子群优化支持向量机的入侵检测研究 | 第45-60页 |
| ·粒子群算法优化支持向量机(PSO-SVM)概述 | 第45-48页 |
| ·SVM的参数表示方法 | 第45-46页 |
| ·适应度函数 | 第46页 |
| ·PSO-SVM算法 | 第46-48页 |
| ·数据的采集 | 第48-51页 |
| ·数据的预处理 | 第51-52页 |
| ·PSO-SVM的实验结果与分析 | 第52-59页 |
| ·本章小结 | 第59-60页 |
| 6 结论与展望 | 第60-63页 |
| ·全文总结 | 第60-61页 |
| ·研究体会 | 第61页 |
| ·工作展望 | 第61-63页 |
| 参考文献 | 第63-69页 |
| 附录:攻读学位期间的主要学术成果 | 第69-70页 |
| 致谢 | 第70页 |
