| 摘要 | 第1-6页 |
| Abstract | 第6-11页 |
| 表格目录 | 第11-12页 |
| 图示目录 | 第12-13页 |
| 第一章 绪论 | 第13-23页 |
| ·研究背景及意义 | 第13-14页 |
| ·而向不平衡数据的分类学习方法的研究现状 | 第14-21页 |
| ·分类器性能的合理评价 | 第14-18页 |
| ·数据层的改进 | 第18-19页 |
| ·算法层的改进 | 第19-21页 |
| ·研究内容及论文组织结构 | 第21-23页 |
| ·主要研究内容 | 第21-22页 |
| ·本文组织结构 | 第22-23页 |
| 第二章 网络入侵检测及相关数据集介绍 | 第23-29页 |
| ·网络入侵检测概述 | 第23-25页 |
| ·背景介绍 | 第23页 |
| ·网络入侵检测系统的分类 | 第23-24页 |
| ·网络入侵检测的方法 | 第24-25页 |
| ·数据集介绍 | 第25-28页 |
| ·数据来源 | 第25-26页 |
| ·数据内容 | 第26-28页 |
| ·本章小结 | 第28-29页 |
| 第三章 标准SVM方法及实验 | 第29-42页 |
| ·引言 | 第29页 |
| ·统计机器学习理论 | 第29-32页 |
| ·学习问题的形式化定义 | 第29-30页 |
| ·推广性的界 | 第30-31页 |
| ·结构化风险最小化 | 第31-32页 |
| ·支持向量机原理 | 第32-37页 |
| ·线性可分情况 | 第32-34页 |
| ·线性不可分情况 | 第34-35页 |
| ·非线性情况 | 第35-37页 |
| ·基于标准SVM的入侵检测实验 | 第37-40页 |
| ·样本准备 | 第37-38页 |
| ·实验过程 | 第38-39页 |
| ·结果分析 | 第39-40页 |
| ·本章小结 | 第40-42页 |
| 第四章 面向不平衡数据SVM方法的数据层改进及实验 | 第42-52页 |
| ·引言 | 第42-43页 |
| ·基于过采样的数据层改进方法 | 第43-48页 |
| ·SMOTE方法原理 | 第43-44页 |
| ·SMOTE方法实验及结果分析 | 第44-48页 |
| ·基于欠采样的数据层改进方法 | 第48-51页 |
| ·Cluster-based Undersampling方法原理 | 第48页 |
| ·Cluster-based Undersampling实验及结果分析 | 第48-51页 |
| ·本章小结 | 第51-52页 |
| 第五章 面向不平衡数据SVM方法的算法层改进及实验 | 第52-59页 |
| ·引言 | 第52页 |
| ·一种改进的SVM方法——weighted-SVM算法 | 第52-56页 |
| ·知识准备 | 第53-54页 |
| ·weighted-SVM算法过程 | 第54-56页 |
| ·实验及结果分析 | 第56-58页 |
| ·实验过程 | 第56页 |
| ·结果分析 | 第56-58页 |
| ·本章小结 | 第58-59页 |
| 第六章 总结与展望 | 第59-61页 |
| ·本文的工作总结 | 第59-60页 |
| ·进一步的研究工作 | 第60-61页 |
| 参考文献 | 第61-65页 |
| 附表: 数据集的特征描述 | 第65-75页 |
| 致谢 | 第75-76页 |
| 攻读硕士期间发表的论文 | 第76-77页 |
