基于SVM的异常入侵检测系统关键技术的研究
| 摘要 | 第1-7页 |
| ABSTRACT | 第7-12页 |
| 1 绪论 | 第12-17页 |
| ·研究背景 | 第12-13页 |
| ·入侵检测的发展及研究现状 | 第13-15页 |
| ·论文的主要工作和组织结构 | 第15-17页 |
| 2 入侵检测系统概述 | 第17-25页 |
| ·入侵检测简介 | 第17-18页 |
| ·入侵检测系统的基本组成 | 第18页 |
| ·入侵检测的分类 | 第18-23页 |
| ·入侵检测系统存在的问题 | 第23-24页 |
| ·入侵检测技术发展的趋势 | 第24-25页 |
| 3 支持向量机及基于网络的数据源 | 第25-40页 |
| ·统计学习理论 | 第25-28页 |
| ·支持向量机基本方法 | 第28-35页 |
| ·入侵检测数据源 | 第35-36页 |
| ·KDD99数据集及预处理 | 第36-40页 |
| 4 基于SVM的异常入侵检测系统分析与设计 | 第40-46页 |
| ·基于SVM的网络异常入侵检测系统 | 第40-41页 |
| ·基于SVM的网络异常检测系统设计 | 第41-45页 |
| ·基于SVM的异常检测分类器的设计 | 第45页 |
| ·本章小结 | 第45-46页 |
| 5 基于增量学习的单类支持向量机的异常入侵检测 | 第46-61页 |
| ·基于OCSVM的网络异常入侵检测 | 第46-51页 |
| ·增量学习OCSVM | 第51-55页 |
| ·改进的OCSVM增量学习算法 | 第55-56页 |
| ·实验结果与分析 | 第56-60页 |
| ·本章小结 | 第60-61页 |
| 6 利用特征选择提高系统性能 | 第61-70页 |
| ·特征选择的必要性 | 第61页 |
| ·特征选择数学模型 | 第61-62页 |
| ·特征选择的策略 | 第62-66页 |
| ·实验及结果分析 | 第66-69页 |
| ·本章小结 | 第69-70页 |
| 7 总结与展望 | 第70-72页 |
| 致谢 | 第72-73页 |
| 参考文献 | 第73-76页 |
| 作者在读期间的发表的论文 | 第76页 |
