中文摘要 | 第1-6页 |
英文摘要 | 第6-12页 |
1 概述 | 第12-24页 |
1.1 引言 | 第12-13页 |
1.2 安全与入侵 | 第13-17页 |
1.2.1 系统安全主要内容 | 第13-14页 |
1.2.2 网络安全的现状 | 第14-15页 |
1.2.3 网络安全威胁与入侵 | 第15-17页 |
1.3 防范措施 | 第17-20页 |
1.4 入侵检测系统(IDS)的特点及引入人工神经网络的原因 | 第20-21页 |
1.5 本文的工作及结构安排 | 第21-23页 |
1.6 本章小结 | 第23-24页 |
2 入侵检测基础及研究现状 | 第24-36页 |
2.1 引言 | 第24页 |
2.2 入侵检测的基本概念 | 第24-25页 |
2.2.1 基本概念 | 第24-25页 |
2.2.2 基本结构 | 第25页 |
2.3 入侵检测分类 | 第25-28页 |
2.3.1 按照采用的检测技术的不同分类 | 第26页 |
2.3.2 按照工作方式的不同分类 | 第26-27页 |
2.3.3 按照数据来源的不同分类 | 第27-28页 |
2.3.4 主机IDS与网络IDS相结合 | 第28页 |
2.4 入侵检测研究简史 | 第28-30页 |
2.5 入侵检测系统模型分析 | 第30-31页 |
2.6 入侵检测技术发展方向 | 第31-34页 |
2.6.1 IDS技术当前存在的问题 | 第31-33页 |
2.6.2 IDS技术发展方向 | 第33-34页 |
2.7 本章小结 | 第34-36页 |
3 神经网络、BP学习算法及其改进 | 第36-52页 |
3.1 引言 | 第36页 |
3.2 NN简介 | 第36-38页 |
3.2.1 NN研究概述 | 第36-37页 |
3.2.2 NN研究目标 | 第37-38页 |
3.2.3 NN的特点 | 第38页 |
3.3 神经元和人工神经网络 | 第38-41页 |
3.3.1 MP模型 | 第39-40页 |
3.3.2 其它形式的激活函数 | 第40-41页 |
3.4 多层前馈神经网络与BP学习算法 | 第41-46页 |
3.4.1 网络结构 | 第41-42页 |
3.4.2 梯度下降算法 | 第42-44页 |
3.4.3 BP学习算法 | 第44-46页 |
3.5 BP算法的特点与不足 | 第46-47页 |
3.5.1 BP算法的特点 | 第46页 |
3.5.2 BP算法的不足 | 第46-47页 |
3.6 改进型BP算法 | 第47-50页 |
3.7 实验及结果分析 | 第50-51页 |
3.8 本章小结 | 第51-52页 |
4 基于神经网络的主机型异常检测模型 | 第52-70页 |
4.1 引言 | 第52页 |
4.2 相关研究 | 第52-55页 |
4.2.1 Ghosh方法描述 | 第52-53页 |
4.2.2 Jack Ryan方法描述 | 第53-54页 |
4.2.3 两种模式的优劣及对策 | 第54-55页 |
4.3 基于BP神经网络的主机型异常检测模型 | 第55-66页 |
4.3.1 在特权层次进行系统调用异常检测的优点 | 第55-56页 |
4.3.2 分析系统调用的方法 | 第56-58页 |
4.3.3 构建正常特征库的算法 | 第58-60页 |
4.3.4 NN模型 | 第60-62页 |
4.3.5 NN模型的设计与实现 | 第62-66页 |
4.4 实验及结果分析 | 第66-68页 |
4.5 本章小结 | 第68-70页 |
5 基于神经网络的高速网络实时检测模型 | 第70-90页 |
5.1 引言 | 第70页 |
5.2 高速网络的实时入侵检测模型 | 第70-77页 |
5.2.1 检测模型的要求 | 第71-72页 |
5.2.2 系统的体系结构 | 第72-74页 |
5.2.3 原型系统 | 第74-77页 |
5.3 基于神经网络的入侵检测探测器(ID Sensor) | 第77-85页 |
5.3.1 神经网络在误用检测中的应用 | 第77-79页 |
5.3.2 神经网络描述 | 第79-82页 |
5.3.3 NN探测器对变体入侵的检测 | 第82-85页 |
5.4 实验及结果分析 | 第85-88页 |
5.5 本章小结 | 第88-90页 |
6 论文总结 | 第90-92页 |
致谢 | 第92-94页 |
参考文献 | 第94-98页 |
附录: | 第98-100页 |
A 作者在攻读硕士学位期间参加的科研项目及得奖情况 | 第98页 |
B 作者在攻读硕士学位期间发表的论文目录 | 第98-100页 |