基于半监督学习的入侵检测技术研究
| 摘要 | 第1-6页 |
| Abstract | 第6-12页 |
| 第1章 绪论 | 第12-18页 |
| ·论文研究的背景 | 第12-14页 |
| ·网络安全现状 | 第12页 |
| ·入侵检测的必要性 | 第12-14页 |
| ·国内外研究现状及发展趋势 | 第14-16页 |
| ·入侵检测发展历史 | 第14页 |
| ·IDS 的不足 | 第14-15页 |
| ·入侵检测的研究方向 | 第15-16页 |
| ·本文的主要研究工作和内容安排 | 第16-18页 |
| ·本文的主要研究工作 | 第16页 |
| ·本文的结构 | 第16-18页 |
| 第2章 入侵检测系统概述 | 第18-28页 |
| ·入侵检测的定义 | 第18页 |
| ·入侵检测的通用模型 | 第18-20页 |
| ·入侵检测技术 | 第20-22页 |
| ·入侵检测技术分类 | 第20-21页 |
| ·常用检测方法 | 第21-22页 |
| ·入侵检测系统 | 第22-26页 |
| ·入侵检测系统概念 | 第22-23页 |
| ·入侵检测系统分类 | 第23-26页 |
| ·入侵检测存在的问题 | 第26-27页 |
| ·本章小结 | 第27-28页 |
| 第3章 基于聚类的入侵检测算法 | 第28-35页 |
| ·聚类技术概述 | 第28页 |
| ·类的定义 | 第28-29页 |
| ·相似性度量 | 第29-31页 |
| ·聚类方法的分类 | 第31-32页 |
| ·划分算法 | 第32-33页 |
| ·K-means 算法 | 第32-33页 |
| ·K-medoid 算法 | 第33页 |
| ·传统聚类算法在入侵检测中存在的问题 | 第33-34页 |
| ·本章小结 | 第34-35页 |
| 第4章 基于半监督学习的入侵检测算法 | 第35-48页 |
| ·半监督学习概述 | 第35-36页 |
| ·半监督聚类 | 第36-37页 |
| ·半监督学习训练方法 | 第37-40页 |
| ·自训练方法 | 第38页 |
| ·互训练方法 | 第38-39页 |
| ·Co-EM 算法 | 第39-40页 |
| ·基于K 均值的半监督学习 | 第40-41页 |
| ·EM 框架下的半监督K-means 算法 | 第41-42页 |
| ·基于半监督学习的入侵检测算法 | 第42-47页 |
| ·主动学习 | 第42-43页 |
| ·改进的K-近邻法 | 第43-44页 |
| ·ASCID 算法描述 | 第44-47页 |
| ·本章小结 | 第47-48页 |
| 第5章 仿真实验及结果分析 | 第48-60页 |
| ·实验数据描述 | 第48-49页 |
| ·网络数据的属性特性分析 | 第49-51页 |
| ·数据的预处理 | 第51-54页 |
| ·训练集 | 第51-52页 |
| ·归一化处理 | 第52-54页 |
| ·实验结果及分析 | 第54-59页 |
| ·算法性能评估指标 | 第54页 |
| ·算法的实验与分析 | 第54-59页 |
| ·本章小结 | 第59-60页 |
| 结论 | 第60-62页 |
| 1 本文的工作总结 | 第60页 |
| 2 展望 | 第60-62页 |
| 参考文献 | 第62-66页 |
| 攻读硕士学位期间发表的学术论文 | 第66-67页 |
| 致谢 | 第67-68页 |
| 详细摘要 | 第68-72页 |
