| 摘要 | 第2-4页 |
| abstract | 第4-5页 |
| 第1章 绪论 | 第9-19页 |
| 1.1 研究背景及意义 | 第9-15页 |
| 1.1.1 网络安全现状 | 第9-11页 |
| 1.1.2 入侵检测的必要性 | 第11-13页 |
| 1.1.3 入侵检测研究热点 | 第13-15页 |
| 1.2 差分进化算法与深度学习研究现状 | 第15-17页 |
| 1.2.1 差分进化算法的研究进展及应用 | 第16页 |
| 1.2.3 深度学习的出现 | 第16-17页 |
| 1.3 本文的主要工作 | 第17页 |
| 1.4 论文结构安排 | 第17-19页 |
| 第2章 入侵检测基础 | 第19-31页 |
| 2.1 入侵检測基本概念 | 第19页 |
| 2.2 入侵检测系统结构 | 第19-21页 |
| 2.2.1 入侵检测系统组成 | 第19-20页 |
| 2.2.2 入侵检测模型 | 第20-21页 |
| 2.3 入侵检测系统分类及检测方法 | 第21-29页 |
| 2.3.1 攻击分类 | 第21-22页 |
| 2.3.2 检测分类 | 第22-25页 |
| 2.3.3 滥用检测方法 | 第25-26页 |
| 2.3.4 异常检测方法 | 第26-29页 |
| 2.4 入侵检测性能分析 | 第29-30页 |
| 2.5 本章小结 | 第30-31页 |
| 第3章 入侵检测数据集获取与处理 | 第31-49页 |
| 3.1 引言 | 第31-32页 |
| 3.2 入侵检测数据集获取与解析 | 第32-41页 |
| 3.2.1 网络数据的获取 | 第32页 |
| 3.2.2 基于WinPcap的网络数据包捕获 | 第32-35页 |
| 3.2.3 网络协议解析 | 第35-39页 |
| 3.2.4 基于WinPcap的网络数据包捕获系统的实现 | 第39-41页 |
| 3.3 特征选择与入侵检测数据集KDD CUP99 | 第41-48页 |
| 3.3.1 KDD CUP99数据集 | 第42-43页 |
| 3.3.2 KDD CUP99数据集攻击类型及分布 | 第43-44页 |
| 3.3.3 KDD CUP99特征分类 | 第44-46页 |
| 3.3.4 KDD CUP99数据预处理 | 第46-48页 |
| 3.4 本章小结 | 第48-49页 |
| 第4章 基于深度学习的入侵检测 | 第49-71页 |
| 4.1 引言 | 第49-50页 |
| 4.2 深度学习的产生与发展 | 第50-51页 |
| 4.3 深度学习的基础模型 | 第51-64页 |
| 4.3.1 BP神经网络 | 第53-56页 |
| 4.3.2 限制玻尔兹曼机 | 第56-62页 |
| 4.3.3 基于限制玻尔兹曼机的深度结构 | 第62-64页 |
| 4.4 基于深度置信网络的入侵检测模型 | 第64-68页 |
| 4.4.1 DBN-SVM入侵检测模型设计 | 第65-66页 |
| 4.4.2 基于DBN的特征学习 | 第66-68页 |
| 4.5 基于DBN-SVM的入侵检测实验结果 | 第68-70页 |
| 4.6 本章小结 | 第70-71页 |
| 第5章 差分进化算法优化的深度学习入侵检测模型 | 第71-81页 |
| 5.1 引言 | 第71-72页 |
| 5.2 差分进化算法 | 第72-76页 |
| 5.2.1 差分进化算法原理 | 第72-73页 |
| 5.2.2 差分进化算法的基本操作 | 第73-76页 |
| 5.3 进化算法对神经网络的结构优化 | 第76页 |
| 5.4 DE-DBN模型设计及实现 | 第76-78页 |
| 5.5 实验仿真 | 第78-80页 |
| 5.6 本章小结 | 第80-81页 |
| 第6章 总结与展望 | 第81-83页 |
| 6.1 总结与归纳 | 第81-82页 |
| 6.2 改进工作与展望 | 第82-83页 |
| 参考文献 | 第83-87页 |
| 致谢 | 第87页 |
