| 摘要 | 第5-6页 |
| abstract | 第6页 |
| 第1章 绪论 | 第9-13页 |
| 1.1 研究背景与意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-11页 |
| 1.3 论文的研究内容 | 第11-12页 |
| 1.4 论文的组织结构 | 第12-13页 |
| 第2章 入侵检测技术分析 | 第13-22页 |
| 2.1 入侵检测的概念和功能 | 第13-15页 |
| 2.2 入侵检测系统的分类 | 第15-18页 |
| 2.3 IDS的Denning模型和通用模型 | 第18-20页 |
| 2.4 IDS性能评价指标 | 第20页 |
| 2.5 数据挖掘在入侵检测系统中的应用 | 第20-21页 |
| 2.6 本章小结 | 第21-22页 |
| 第3章 IDS中研究的聚类分析算法介绍 | 第22-30页 |
| 3.1 聚类分析的概念和分类 | 第22-24页 |
| 3.2 入侵检测系统对聚类分析算法的要求 | 第24-25页 |
| 3.3 k-means算法介绍 | 第25-28页 |
| 3.4 k-means算法的优缺点及存在的问题 | 第28-29页 |
| 3.5 本章小结 | 第29-30页 |
| 第4章 k-means算法的改进 | 第30-46页 |
| 4.1 算法原理 | 第31-33页 |
| 4.1.1 子空间聚类 | 第31页 |
| 4.1.2 聚类融合 | 第31-33页 |
| 4.2 基于Fuzzy ART算法的k-means改进算法 | 第33-41页 |
| 4.2.1 ART模型 | 第33-34页 |
| 4.2.2 Fuzzy ART神经网络 | 第34-37页 |
| 4.2.3 改进的k-means算法描述 | 第37-41页 |
| 4.3 基于kohonen神经网络算法的改进 | 第41-45页 |
| 4.3.1 kohonen网络介绍 | 第41-44页 |
| 4.3.2 引入隶属度概念的改进kohonen算法 | 第44-45页 |
| 4.4 本章小结 | 第45-46页 |
| 第5章 改进的入侵检测系统模型的设计 | 第46-53页 |
| 5.1 系统需求分析 | 第46页 |
| 5.2 系统整体设计 | 第46-47页 |
| 5.3 数据采集模块 | 第47-48页 |
| 5.4 数据预处理模块 | 第48页 |
| 5.5 聚类分析模块 | 第48-50页 |
| 5.5.1 功能描述 | 第48-49页 |
| 5.5.2 基本思想 | 第49页 |
| 5.5.3 算法介绍 | 第49-50页 |
| 5.6 异常检测引擎 | 第50-51页 |
| 5.7 响应模块 | 第51-53页 |
| 第6章 实验结果分析 | 第53-62页 |
| 6.1 实验环境 | 第53页 |
| 6.2 实验方案设计 | 第53-54页 |
| 6.3 实验数据预处理 | 第54-58页 |
| 6.3.1 KDD CUP99实验数据集介绍 | 第54-56页 |
| 6.3.2 KDD CUP99数据预处理 | 第56-58页 |
| 6.4 实验与结果分析 | 第58-61页 |
| 6.5 本章小结 | 第61-62页 |
| 结论 | 第62-63页 |
| 参考文献 | 第63-66页 |
| 致谢 | 第66页 |