| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第8-13页 |
| 1.1 研究背景及意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-10页 |
| 1.3 入侵检测的研究方向 | 第10-12页 |
| 1.4 本文组织结构 | 第12-13页 |
| 第二章 入侵检测系统 | 第13-24页 |
| 2.1 入侵检测的概念和模型 | 第13-15页 |
| 2.1.1 入侵检测概念 | 第13页 |
| 2.1.2 入侵检测模型 | 第13-15页 |
| 2.2 入侵检测原理和基本构成 | 第15-16页 |
| 2.3 入侵检测作用 | 第16-17页 |
| 2.4 入侵检测系统分类 | 第17-21页 |
| 2.4.1 根据入侵检测方法分类 | 第18-20页 |
| 2.4.2 根据系统数据来源分类 | 第20-21页 |
| 2.5 入侵检测常用技术 | 第21-22页 |
| 2.5.1 专家系统技术 | 第21页 |
| 2.5.2 统计分析 | 第21-22页 |
| 2.5.3 状态转移分析方法 | 第22页 |
| 2.6 入侵检测系统存在的问题 | 第22-23页 |
| 2.7 本章小结 | 第23-24页 |
| 第三章 聚类挖掘算法研究 | 第24-34页 |
| 3.1 聚类基本理论 | 第24-27页 |
| 3.1.1 聚类的概念 | 第24页 |
| 3.1.2 聚类方法的划分 | 第24-27页 |
| 3.2 聚类的相关定义 | 第27-29页 |
| 3.2.1 聚类分析的数据结构和数据类型 | 第27-28页 |
| 3.2.2 相似性度量方法 | 第28-29页 |
| 3.2.3 类间度量函数 | 第29页 |
| 3.3 聚类分析的主要研究方向 | 第29-30页 |
| 3.4 入侵检测中聚类技术的应用 | 第30-33页 |
| 3.4.1 聚类算法与入侵检测相结合的要求与可行性 | 第30-31页 |
| 3.4.2 聚类分析融于入侵检测的思想 | 第31页 |
| 3.4.3 聚类分析在入侵检测中的过程 | 第31-32页 |
| 3.4.4 入侵检测中的聚类分析面临的问题和挑战 | 第32-33页 |
| 3.5 本章小结 | 第33-34页 |
| 第四章 适用于入侵检测的改进k-medoids算法 | 第34-45页 |
| 4.1 传统k-medoids算法 | 第34-38页 |
| 4.2 蚁群算法（ACO）简介 | 第38-40页 |
| 4.3 改进的k-medoids算法 | 第40-43页 |
| 4.3.1 ACO与k-medoids算法相融合的新算法 | 第40-41页 |
| 4.3.2 对于k-medoids中心点的调整的优化 | 第41-42页 |
| 4.3.3 中心点调整优化与ACO-k-medoids结合算法步骤 | 第42-43页 |
| 4.4 算法流程图 | 第43页 |
| 4.5 算法复杂度分析 | 第43-44页 |
| 4.6 本章小结 | 第44-45页 |
| 第五章 实验结果与分析 | 第45-52页 |
| 5.1 KDD CUP99 数据集 | 第45-48页 |
| 5.1.1 KDD CUP99 的产生 | 第45-46页 |
| 5.1.2 KDD CUP9910%数据集 | 第46-48页 |
| 5.2 实验数据处理 | 第48-49页 |
| 5.3 实验结果及分析 | 第49-52页 |
| 参考文献 | 第52-55页 |
| 攻读硕士期间发表的学术论文和参加科研情况 | 第55-56页 |
| 致谢 | 第56页 |
