| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 第一章 绪论 | 第11-17页 |
| 1.1 研究背景 | 第11-12页 |
| 1.2 研究现状 | 第12-14页 |
| 1.3 论文主要工作 | 第14-15页 |
| 1.4 论文的组织结构 | 第15-17页 |
| 第二章 入侵检测及相关原理 | 第17-27页 |
| 2.1 入侵检测系统概述 | 第17-19页 |
| 2.1.1 防火墙 | 第17页 |
| 2.1.2 入侵检测系统 | 第17-18页 |
| 2.1.3 入侵检测原理 | 第18页 |
| 2.1.4 入侵检测系统分类 | 第18-19页 |
| 2.2 机器学习理论 | 第19-22页 |
| 2.2.1 决策树算法 | 第20-21页 |
| 2.2.2 半监督学习理论 | 第21-22页 |
| 2.3 模式匹配 | 第22-26页 |
| 2.3.1 BM(Boyer-Moore)算法 | 第23-25页 |
| 2.3.2 AC(Aho-Corasick)算法 | 第25-26页 |
| 2.4 本章小结 | 第26-27页 |
| 第三章 摄像头异常流量分类模型的设计 | 第27-41页 |
| 3.1 模型架构与设计思路 | 第27-30页 |
| 3.1.1 模型架构 | 第27-28页 |
| 3.1.2 设计思路 | 第28-30页 |
| 3.2 预处理与特征提取 | 第30-36页 |
| 3.2.1 数据预处理 | 第30-31页 |
| 3.2.2 特征提取 | 第31-36页 |
| 3.3 分类模型 | 第36-37页 |
| 3.3.1 基于决策树的摄像头流量识别 | 第36-37页 |
| 3.3.2 基于自训练的摄像头恶意流量识别 | 第37页 |
| 3.4 实验验证及性能评估 | 第37-40页 |
| 3.4.1 实验平台 | 第38页 |
| 3.4.2 实验验证与对比 | 第38-40页 |
| 3.5 本章小结 | 第40-41页 |
| 第四章 SNORT改进规则的匹配与应用 | 第41-51页 |
| 4.1 SNORT架构与实验 | 第41-45页 |
| 4.1.1 Snort架构组成 | 第41-44页 |
| 4.1.2 Snort匹配实验 | 第44-45页 |
| 4.2 多模式匹配算法的改进 | 第45-48页 |
| 4.2.1 AC算法的缺陷与改进思路 | 第45-46页 |
| 4.2.2 改进算法描述 | 第46-48页 |
| 4.3 改进算法的分析 | 第48-50页 |
| 4.3.1 改进算法的复杂度分析 | 第48-49页 |
| 4.3.2 改进算法的仿真分析 | 第49-50页 |
| 4.4 改进算法在恶意摄像头流量攻击识别中的应用 | 第50页 |
| 4.5 本章小结 | 第50-51页 |
| 第五章 摄像头恶意流量检测系统的实现 | 第51-63页 |
| 5.1 需求分析 | 第51-52页 |
| 5.2 系统总体框架 | 第52-54页 |
| 5.3 系统开发环境介绍 | 第54页 |
| 5.4 系统关键模块的设计与实现 | 第54-62页 |
| 5.4.1 数据采集模块设计与实现 | 第54-56页 |
| 5.4.2 数据包解码模块与数据包预处理模块设计与实现 | 第56-59页 |
| 5.4.3 分类模型设计与实现 | 第59页 |
| 5.4.4 检测引擎模块设计与实现 | 第59-61页 |
| 5.4.5 系统其它功能设计与实现 | 第61-62页 |
| 5.5 本章小结 | 第62-63页 |
| 第六章 总结与展望 | 第63-65页 |
| 6.1 总结 | 第63-64页 |
| 6.2 展望和未来工作 | 第64-65页 |
| 参考文献 | 第65-71页 |
| 致谢 | 第71-73页 |
| 攻读学位期间发表的学术论文 | 第73页 |