| 摘要 | 第1-7页 |
| Abstract | 第7-8页 |
| 第一章 绪论 | 第8-13页 |
| ·研究背景 | 第8-9页 |
| ·国内外研究现状 | 第9-10页 |
| ·课题内容及主要工作 | 第10-11页 |
| ·论文的组织结构 | 第11-13页 |
| 第二章 相关技术及研究 | 第13-25页 |
| ·预警技术综述 | 第13-14页 |
| ·常见预警模型 | 第14-18页 |
| ·基于入侵事件的预警模型 | 第14-15页 |
| ·基于攻击过程的预警模型 | 第15-16页 |
| ·基于流量监控的预警模型 | 第16-17页 |
| ·常见预警模型优缺点比较 | 第17-18页 |
| ·常见预警方法 | 第18-23页 |
| ·基于数据挖掘预警方法 | 第18-19页 |
| ·基于回归预警方法 | 第19-20页 |
| ·人工智能预警方法 | 第20-22页 |
| ·内容时间序列预警方法 | 第22页 |
| ·其它预警方法 | 第22-23页 |
| ·本章小结 | 第23-25页 |
| 第三章 基于STING与支持向量回归机的网络安全预警模型 | 第25-38页 |
| ·模型概述 | 第25-26页 |
| ·报警数据的归一化 | 第26-31页 |
| ·相关报警事件格式 | 第26-30页 |
| ·报警事件预处理格式规范 | 第30-31页 |
| ·基于STING的报警事件聚类分析 | 第31-36页 |
| ·数据挖掘与聚类分析 | 第31-32页 |
| ·利用STING聚类算法获取攻击频度序列 | 第32-36页 |
| ·基于支持向量机回归的预测算法 | 第36页 |
| ·本章小结 | 第36-38页 |
| 第四章 基于支持向量回归机的预警算法研究 | 第38-51页 |
| ·引言 | 第38页 |
| ·统计学习理论 | 第38-40页 |
| ·经验风险最小化准则 | 第38-39页 |
| ·VC维和推广性的界 | 第39-40页 |
| ·结构风险最小化 | 第40页 |
| ·支持向量回归机理论 | 第40-45页 |
| ·基本原理 | 第40-42页 |
| ·KKT条件 | 第42-44页 |
| ·核函数 | 第44-45页 |
| ·支持向量回归机在线训练算法改进 | 第45-50页 |
| ·支持向量回归 | 第45-47页 |
| ·在线训练算法 | 第47页 |
| ·算法改进 | 第47-49页 |
| ·改进后性能比较 | 第49-50页 |
| ·本章小结 | 第50-51页 |
| 第五章 预警子系统设计及功能实现 | 第51-66页 |
| ·预警子系统总体框架 | 第51-55页 |
| ·预警实现原理 | 第52-53页 |
| ·功能组件介绍 | 第53-55页 |
| ·预警服务器设计及实现 | 第55-58页 |
| ·预警代理设计及实现 | 第58-59页 |
| ·组成结构 | 第58页 |
| ·各模块功能 | 第58-59页 |
| ·实验与分析 | 第59-65页 |
| ·开发环境和运行环境 | 第59-60页 |
| ·预警功能实现 | 第60-65页 |
| ·本章小结 | 第65-66页 |
| 第六章 总结与展望 | 第66-68页 |
| 参考文献 | 第68-72页 |
| 作者简历 攻读硕士学位期间完成的主要工作 | 第72-73页 |
| 致谢 | 第73页 |