| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 引言 | 第9-14页 |
| 1.1 研究背景和意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-11页 |
| 1.3 主要研究内容 | 第11-12页 |
| 1.4 文章结构安排 | 第12-14页 |
| 第2章 SVM算法在Linux防火墙中的应用框架 | 第14-23页 |
| 2.1 异常流量识别技术 | 第14-15页 |
| 2.2 支持向量机概述 | 第15-16页 |
| 2.3 防火墙的概述 | 第16-18页 |
| 2.3.1 LINUX防火墙 | 第16-18页 |
| 2.4 基于SVM算法的Linux防火墙框架 | 第18-21页 |
| 2.4.1 数据包捕获模块 | 第19页 |
| 2.4.2 特征提取模块 | 第19页 |
| 2.4.3 数据包预处理模块 | 第19-20页 |
| 2.4.4 支持向量机的训练 | 第20-21页 |
| 2.4.5 SVM识别模块 | 第21页 |
| 2.4.6 IPTABLES模块 | 第21页 |
| 2.5 本章小结 | 第21-23页 |
| 第3章 BFO算法和BA算法 | 第23-37页 |
| 3.1 BFO算法 | 第23-26页 |
| 3.1.1 趋化算子 | 第24页 |
| 3.1.2 繁殖算子 | 第24-25页 |
| 3.1.3 迁徙算子 | 第25页 |
| 3.1.4 BFO算法的实现步骤 | 第25-26页 |
| 3.2 BA算法 | 第26-29页 |
| 3.2.1 BA算法的实现步骤 | 第27-28页 |
| 3.2.2 BA算法的实现流程图 | 第28-29页 |
| 3.3 改进的BA算法及实验研究 | 第29-36页 |
| 3.3.1 WRBFBA算法实现步骤 | 第30-31页 |
| 3.3.2 WRBFBA算法的实现流程图 | 第31-32页 |
| 3.3.3 WRBFBA算法在函数优化中的实验 | 第32-35页 |
| 3.3.4 WRBFBA算法的实验结果与分析 | 第35-36页 |
| 3.4 本章小结 | 第36-37页 |
| 第4章 基于改进二进制蝙蝠算法的异常流量数据降维 | 第37-46页 |
| 4.1 数据预处理 | 第37-39页 |
| 4.1.1 离散数据的处理 | 第37-39页 |
| 4.2 基于改进的WRBFBBA和SVM的特征选择方法 | 第39-42页 |
| 4.2.1 二进制蝙蝠算法 | 第40-41页 |
| 4.2.2 基于改进的二进制BA的特征选择 | 第41-42页 |
| 4.3 实验结果与分析 | 第42-44页 |
| 4.4 本章小结 | 第44-46页 |
| 第5章 基于改进蝙蝠算法优化SVM的异常流量识别 | 第46-60页 |
| 5.1 SVM核函数及参数的选取 | 第46-49页 |
| 5.2 基于群体智能算法的SVM参数选取 | 第49-51页 |
| 5.2.1 改进的蝙蝠算法WRBFBA优化SVM核参数 | 第49-51页 |
| 5.3 仿真实验与分析 | 第51-58页 |
| 5.3.1 WRBFBA-SVM实验 | 第51-57页 |
| 5.3.2 实验分析 | 第57-58页 |
| 5.4 本章小结 | 第58-60页 |
| 第6章 总结与展望 | 第60-62页 |
| 6.1 总结 | 第60-61页 |
| 6.2 展望 | 第61-62页 |
| 参考文献 | 第62-65页 |
| 致谢 | 第65-66页 |
| 附录 | 第66页 |