入侵检测中神经网络融合学习方法的研究
| 内容提要 | 第1-9页 |
| 第一章 绪论 | 第9-23页 |
| ·网络攻击概述 | 第9-12页 |
| ·入侵检测系统概述及研究现状 | 第12-17页 |
| ·神经网络融合机制 | 第17-20页 |
| ·本文的研究内容 | 第20-21页 |
| ·本文的组织结构 | 第21-23页 |
| 第二章 数据预处理 | 第23-33页 |
| ·网络协议分析 | 第23-24页 |
| ·入侵检测数据 | 第24-28页 |
| ·数据的预处理 | 第28-31页 |
| ·字符类型数据的转换 | 第28-30页 |
| ·奇异数据的处理 | 第30-31页 |
| ·测试指标 | 第31-32页 |
| ·本章小结 | 第32-33页 |
| 第三章 网络流量分析 | 第33-42页 |
| ·网络流量的时间序列 | 第33-36页 |
| ·网络流量的平稳性 | 第33-35页 |
| ·时间序列建模 | 第35-36页 |
| ·网络流量预测与监控 | 第36-41页 |
| ·本章小结 | 第41-42页 |
| 第四章 SVM增量学习方法 | 第42-57页 |
| ·SVM简介 | 第42-45页 |
| ·SVM基本原理 | 第45-49页 |
| ·线性可分情况 | 第46-47页 |
| ·线性不可分的情况 | 第47-49页 |
| ·增量学习 | 第49-53页 |
| ·SVM增量学习方法 | 第49-50页 |
| ·多分类SVM方法 | 第50-51页 |
| ·多分类SVM增量学习方法 | 第51-53页 |
| ·详细算法 | 第53-54页 |
| ·实验结果及分析 | 第54-56页 |
| ·本章小结 | 第56-57页 |
| 第五章 模块化神经网络的融合学习方法 | 第57-68页 |
| ·融合学习 | 第57-59页 |
| ·相关理论 | 第59-62页 |
| ·SOM学习方法 | 第59-60页 |
| ·模糊C-均值聚类算法 | 第60-62页 |
| ·基于FCM的分布式融合学习 | 第62-64页 |
| ·实验结果分析 | 第64-66页 |
| ·数据集选择 | 第64页 |
| ·实验结果与分析 | 第64-66页 |
| ·本章小结 | 第66-68页 |
| 第六章 神经网络修剪算法 | 第68-78页 |
| ·神经网络的泛化 | 第68-70页 |
| ·Kalman滤波器 | 第70-72页 |
| ·Kalman滤波器原理 | 第70-71页 |
| ·Kalman滤波在神经网络中的改进 | 第71-72页 |
| ·Kalman 滤波实现的入侵检测方法 | 第72-74页 |
| ·数据集的选取 | 第72页 |
| ·神经网络训练 | 第72-73页 |
| ·应用Kalman滤波进行修剪 | 第73-74页 |
| ·实验结果分析 | 第74-76页 |
| ·修剪数量与修剪前后的检测率比较 | 第74页 |
| ·与其它修剪方法的比较 | 第74-76页 |
| ·本章小结 | 第76-78页 |
| 第七章 综合评价体系 | 第78-84页 |
| ·安全评估现状 | 第78-79页 |
| ·网络安全威胁 | 第79-81页 |
| ·网络安全评估模型 | 第81-83页 |
| ·本章小结 | 第83-84页 |
| 第八章 总结与展望 | 第84-87页 |
| ·本文的工作总结 | 第84-85页 |
| ·未来工作展望 | 第85-87页 |
| 参考文献 | 第87-96页 |
| 攻读博士学位期间发表的论文及其它成果 | 第96-98页 |
| 致谢 | 第98-99页 |
| 论文摘要 | 第99-102页 |
| Abstract | 第102-105页 |
