基于混合分类模型的入侵检测技术研究
| 摘要 | 第1-5页 |
| ABSTRACT | 第5-10页 |
| 第一章 绪论 | 第10-17页 |
| ·研究背景和意义 | 第10-12页 |
| ·网络与信息安全简介 | 第10页 |
| ·网络安全的实质 | 第10-12页 |
| ·入侵检测研究的意义 | 第12页 |
| ·研究现状 | 第12-15页 |
| ·数据挖掘技术 | 第12-13页 |
| ·机器学习技术 | 第13-14页 |
| ·集成学习技术 | 第14-15页 |
| ·本文的主要工作 | 第15页 |
| ·论文的组织结构 | 第15-17页 |
| 第二章 入侵检测技术 | 第17-27页 |
| ·网络入侵 | 第17-19页 |
| ·网络入侵概述 | 第17-18页 |
| ·网络入侵的发展趋势 | 第18-19页 |
| ·入侵检测系统 | 第19-25页 |
| ·入侵检测系统框架及分类 | 第20-22页 |
| ·入侵检测策略 | 第22-25页 |
| ·入侵检测系统存在的问题 | 第25-26页 |
| ·本章小结 | 第26-27页 |
| 第三章 基于分类的入侵检测算法 | 第27-39页 |
| ·机器学习 | 第27-30页 |
| ·机器学习分类 | 第27-29页 |
| ·机器学习相关原则 | 第29-30页 |
| ·半监督学习 | 第30-31页 |
| ·半监督学习产生的背景 | 第30页 |
| ·半监督学习技术介绍 | 第30-31页 |
| ·分类方法 | 第31-37页 |
| ·朴素贝叶斯 | 第31-33页 |
| ·BP 神经网络 | 第33-35页 |
| ·SVM 分类 | 第35-37页 |
| ·本章小结 | 第37-39页 |
| 第四章 基于分类的入侵检测模型 | 第39-49页 |
| ·集成学习 | 第39-40页 |
| ·集成学习方法 | 第40-42页 |
| ·Adaboost 算法 | 第40-42页 |
| ·Bagging 算法 | 第42页 |
| ·算法理论分析与改进 | 第42-46页 |
| ·朴素贝叶斯分类算法的分析与改进 | 第42-43页 |
| ·BP 神经网络分类算法的性能分析与改进 | 第43-46页 |
| ·一种混合分类的入侵检测系统模型(NBS) | 第46-47页 |
| ·系统总体定位 | 第46页 |
| ·NBS 模型 | 第46-47页 |
| ·本章小结 | 第47-49页 |
| 第五章 实验数据选取以及算法评估 | 第49-59页 |
| ·数据集 | 第49-51页 |
| ·数据集描述 | 第49页 |
| ·网络数据的属性特征分析 | 第49-51页 |
| ·训练数据预处理 | 第51-52页 |
| ·数据选取 | 第51-52页 |
| ·数据规格化 | 第52页 |
| ·实验仿真 | 第52-58页 |
| ·仿真环境 | 第52-53页 |
| ·仿真结果和分析 | 第53-58页 |
| ·本章小结 | 第58-59页 |
| 第六章 论文总结和工作展望 | 第59-61页 |
| 参考文献 | 第61-65页 |
| 致谢 | 第65-66页 |
| 在学期间的研究成果及发表的学术论文 | 第66页 |
