基于机器学习的移动数据安全检测技术研究
| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第9-14页 |
| 1.1 研究背景和选题意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-12页 |
| 1.2.1 国内研究现状 | 第10-11页 |
| 1.2.2 国外研究现状 | 第11-12页 |
| 1.3 课题研究内容 | 第12-13页 |
| 1.4 论文结构 | 第13-14页 |
| 第二章 相关理论基础 | 第14-29页 |
| 2.1 入侵检测技术 | 第14-20页 |
| 2.1.1 入侵检测的概念 | 第14页 |
| 2.1.2 入侵检测模型 | 第14-16页 |
| 2.1.3 入侵检测的分类 | 第16-19页 |
| 2.1.4 机器学习在入侵检测中的应用 | 第19-20页 |
| 2.2 特征选择技术 | 第20-24页 |
| 2.2.1 特征选择概念和模型 | 第20-23页 |
| 2.2.2 信息增益特征选择 | 第23页 |
| 2.2.3 相关性特征选择 | 第23-24页 |
| 2.3 数据分类和典型分类算法 | 第24-28页 |
| 2.3.1 朴素贝叶斯分类算法 | 第24-25页 |
| 2.3.2 决策树分类算法 | 第25-26页 |
| 2.3.3 支持向量机分类算法 | 第26-28页 |
| 2.4 本章小结 | 第28-29页 |
| 第三章 安全检测模型的设计与验证 | 第29-47页 |
| 3.1 数据分析 | 第29-33页 |
| 3.1.1 HTTP请求格式分析 | 第29-31页 |
| 3.1.2 恶意特征分析 | 第31-33页 |
| 3.2 安全检测模型设计 | 第33-34页 |
| 3.3 数据解析 | 第34-35页 |
| 3.3.1 HTTP请求解析 | 第34-35页 |
| 3.4 特征提取和特征选择 | 第35-38页 |
| 3.4.1 结构特征提取 | 第35-36页 |
| 3.4.2 统计特征提取 | 第36-37页 |
| 3.4.3 特征选择 | 第37-38页 |
| 3.5 敏感词库构建 | 第38-41页 |
| 3.5.1 基于TF-IDF计算权值 | 第38-39页 |
| 3.5.2 敏感词库构建流程 | 第39-41页 |
| 3.6 数据分类 | 第41-42页 |
| 3.7 实验结果和分析 | 第42-46页 |
| 3.7.1 实验环境 | 第42页 |
| 3.7.2 评测指标 | 第42-43页 |
| 3.7.3 分类器对分类结果的影响 | 第43-44页 |
| 3.7.4 请求内容对分类结果的影响 | 第44-45页 |
| 3.7.5 数据规模对分类结果的影响 | 第45-46页 |
| 3.8 本章小结 | 第46-47页 |
| 第四章 基于决策树的入侵检测系统实现 | 第47-55页 |
| 4.1 系统总体架构和工作流程 | 第47-49页 |
| 4.1.1 系统架构设计 | 第47-48页 |
| 4.1.2 系统工作流程 | 第48-49页 |
| 4.1.3 开发环境 | 第49页 |
| 4.2 数据库设计 | 第49-51页 |
| 4.3 模块设计与实现 | 第51-54页 |
| 4.3.1 数据预处理模块 | 第51-53页 |
| 4.3.2 训练模块 | 第53页 |
| 4.3.3 检测模块 | 第53-54页 |
| 4.3.4 预警模块 | 第54页 |
| 4.4 本章小结 | 第54-55页 |
| 第五章 工作总结和展望 | 第55-57页 |
| 5.1 工作总结 | 第55-56页 |
| 5.2 展望 | 第56-57页 |
| 参考文献 | 第57-60页 |
| 致谢 | 第60页 |
