| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 绪论 | 第13-20页 |
| 1.1 选题背景、研究目标与意义 | 第13页 |
| 1.2 国内外研究综述 | 第13-18页 |
| 1.2.1 数据挖掘技术 | 第13-14页 |
| 1.2.2 入侵检测系统的检测技术 | 第14-15页 |
| 1.2.3 现有入侵检测系统存在主要问题 | 第15-16页 |
| 1.2.4 入侵检测系统的发展趋势 | 第16-18页 |
| 1.2.5 数据挖掘与入侵检测的结合 | 第18页 |
| 1.3 研究内容、创新与特色 | 第18-20页 |
| 第2章 入侵检测、数据挖掘及CLEMENTINE的相关理论 | 第20-37页 |
| 2.1 入侵检测的相关理论 | 第20-24页 |
| 2.1.1 入侵检测的基本概念 | 第20页 |
| 2.1.2 入侵检测分类 | 第20-22页 |
| 2.1.3 入侵检测模型 | 第22-24页 |
| 2.2 数据挖掘方法相关理论 | 第24-30页 |
| 2.2.1 决策树基本原理 | 第24-26页 |
| 2.2.2 决策树算法分类 | 第26页 |
| 2.2.3 人工神经网络介绍 | 第26-27页 |
| 2.2.4 两类经典人工神经网络 | 第27-29页 |
| 2.2.5 Logistic回归分析 | 第29-30页 |
| 2.3 CLEMENTINE数据挖掘软件主要功能简介 | 第30-35页 |
| 2.3.1 clementine软件概述 | 第30-32页 |
| 2.3.2 Clementine分类预测模型 | 第32-35页 |
| 2.4 本章小结 | 第35-37页 |
| 第3章 决策树入侵检测分类器的设计 | 第37-47页 |
| 3.1 KDDCUP’99数据预处理 | 第37-40页 |
| 3.1.1 数值化处理 | 第37-38页 |
| 3.1.2 归一化处理 | 第38-40页 |
| 3.1.3 实验数据与测试数据的抽取 | 第40页 |
| 3.2 CLEMENTINE的决策树建模 | 第40-45页 |
| 3.2.1 C&R决策树模型实验 | 第40-41页 |
| 3.2.2 C5.0决策树模型实验 | 第41-42页 |
| 3.2.3 CHAID决策树模型实验 | 第42-45页 |
| 3.3 决策树模型实验结果对比与分析 | 第45-46页 |
| 3.3.1 能的评价标准 | 第45页 |
| 3.3.2 决策权实验结果 | 第45-46页 |
| 3.4 本章小结 | 第46-47页 |
| 第4章 人工神经网络入侵检测分类器的设计 | 第47-54页 |
| 4.1 BP神经网络分类器 | 第47-51页 |
| 4.1.1 Clementine BP神经网络建模流程 | 第47-48页 |
| 4.1.2 BP神经网络模型参数设置 | 第48-51页 |
| 4.2 RBF神经网络分类器 | 第51页 |
| 4.2.1 RBF神经网络模型实验 | 第51页 |
| 4.3 人工神经网络模型实验结果对比与分析 | 第51-53页 |
| 4.3.1 检测性能的评价标准 | 第51-52页 |
| 4.3.2 人工神经网络实验结果 | 第52-53页 |
| 4.4 本章小结 | 第53-54页 |
| 第5章 CLEMENTINE的统计分析模型 | 第54-61页 |
| 5.1 LOGISTIC回归分析模型 | 第54-56页 |
| 5.1.1 Clementine Logistic回归分析建模流程 | 第54-55页 |
| 5.1.2 Logistic回归分析模型参数设置 | 第55-56页 |
| 5.2 LOGISTIC回归分析模型实验结果对比与分析 | 第56-58页 |
| 5.2.1 检测性能的评价标准 | 第56-57页 |
| 5.2.2 Logistic回归分析实验结果 | 第57-58页 |
| 5.3 CLEMENTINE数据挖掘方法实验分析 | 第58-60页 |
| 5.4 本章小结 | 第60-61页 |
| 结论 | 第61-62页 |
| 参考文献 | 第62-65页 |
| 致谢 | 第65-66页 |
| 附录 | 第66-71页 |
