移动互联网行为审计系统的设计与实现
| 致谢 | 第5-6页 |
| 摘要 | 第6-8页 |
| ABSTRACT | 第8-9页 |
| 1 引言 | 第13-17页 |
| 1.1 研究背景及意义 | 第13-14页 |
| 1.2 国内外研究现状 | 第14-16页 |
| 1.3 论文组织结构 | 第16-17页 |
| 2 网络安全与安全审计 | 第17-23页 |
| 2.1 网络安全模型 | 第17-18页 |
| 2.2 网络用户行为 | 第18-19页 |
| 2.3 传统网络安全审计 | 第19-21页 |
| 2.4 移动网络安全审计 | 第21-22页 |
| 2.5 本章小结 | 第22-23页 |
| 3 行为审计关键技术研究 | 第23-42页 |
| 3.1 机器学习 | 第23-29页 |
| 3.1.1 无监督机器学习 | 第23-25页 |
| 3.1.2 监督机器学习 | 第25-27页 |
| 3.1.3 半监督机器学习 | 第27-29页 |
| 3.1.4 三种方法分析比较 | 第29页 |
| 3.2 集成学习 | 第29-38页 |
| 3.2.1 集成学习流程框架 | 第29-30页 |
| 3.2.2 基分类器构造方法 | 第30-33页 |
| 3.2.3 集成学习融合方法 | 第33-37页 |
| 3.2.4 基分类器差异性度量 | 第37-38页 |
| 3.3 选择性集成 | 第38-41页 |
| 3.3.1 选择性集成基本思想 | 第38-39页 |
| 3.3.2 选择性集成理论分析 | 第39-40页 |
| 3.3.3 选择性集成学习算法 | 第40-41页 |
| 3.4 本章小结 | 第41-42页 |
| 4 基于选择性半监督学习的异常行为检测 | 第42-56页 |
| 4.1 用户异常行为检测模型 | 第42-44页 |
| 4.1.1 相关概念定义 | 第42-43页 |
| 4.1.2 异常行为检测模型描述 | 第43-44页 |
| 4.2 选择性半监督学习 | 第44-49页 |
| 4.2.1 训练样本的处理 | 第45-48页 |
| 4.2.2 基分类器的构建 | 第48页 |
| 4.2.3 基分类器的选择性半监督学习 | 第48-49页 |
| 4.3 网络用户异常行为检测 | 第49-50页 |
| 4.4 实验与结果分析 | 第50-55页 |
| 4.4.1 实验场景 | 第50页 |
| 4.4.2 评估指标 | 第50-51页 |
| 4.4.3 结果分析 | 第51-55页 |
| 4.5 本章小结 | 第55-56页 |
| 5 移动互联网行为审计系统的设计与实现 | 第56-77页 |
| 5.1 系统设计目标 | 第56页 |
| 5.2 系统功能与特点 | 第56-58页 |
| 5.3 系统总体设计 | 第58-61页 |
| 5.3.1 网络架构 | 第58-59页 |
| 5.3.2 总体结构 | 第59-60页 |
| 5.3.3 数据库设计 | 第60-61页 |
| 5.4 关键模块设计与实现 | 第61-67页 |
| 5.4.1 数据采集模块 | 第61-65页 |
| 5.4.2 行为审计模块 | 第65-66页 |
| 5.4.3 日志报警模块 | 第66-67页 |
| 5.5 系统平台实现 | 第67-72页 |
| 5.5.1 系统配置 | 第68-69页 |
| 5.5.2 平台展示 | 第69-72页 |
| 5.6 系统性能测试 | 第72-75页 |
| 5.6.1 测试环境 | 第72-73页 |
| 5.6.2 测试步骤 | 第73-74页 |
| 5.6.3 测试方案 | 第74-75页 |
| 5.6.4 测试结果 | 第75页 |
| 5.7 本章小结 | 第75-77页 |
| 6 总结与展望 | 第77-79页 |
| 6.1 总结 | 第77-78页 |
| 6.2 展望 | 第78-79页 |
| 参考文献 | 第79-81页 |
| 作者简历及攻读硕士学位期间取得的研究成果 | 第81-83页 |
| 学位论文数据集 | 第83页 |
