| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第9-16页 |
| 1.1 课题研究的背景及意义 | 第9-11页 |
| 1.2 国内外研究现状 | 第11-14页 |
| 1.2.1 支持向量机研究现状 | 第11-12页 |
| 1.2.2 验证行为特征研究现状 | 第12-14页 |
| 1.3 文章的研究内容及结构 | 第14-16页 |
| 第2章 用户行为特征提取的理论知识 | 第16-27页 |
| 2.1 信息熵理论 | 第16页 |
| 2.2 熵的估值 | 第16-20页 |
| 2.1.1 直方图估计 | 第17-18页 |
| 2.1.2 核密度估计 | 第18-20页 |
| 2.3 相对熵 | 第20-22页 |
| 2.4 基于动态符号化时间序列的改进信息熵 | 第22-24页 |
| 2.5 特征降维方法 | 第24-26页 |
| 2.5.1 主成分分析 | 第24-25页 |
| 2.5.2 线性判别分析 | 第25-26页 |
| 2.6 本章小结 | 第26-27页 |
| 第3章 用户验证行为分析及特征提取 | 第27-47页 |
| 3.1 行为式验证码工作原理 | 第27-29页 |
| 3.2 用户验证行为数据采集及预处理 | 第29-32页 |
| 3.3 用户验证行为特征提取 | 第32-39页 |
| 3.3.1 随机性特征 | 第33-34页 |
| 3.3.2 非拖动轨迹特征 | 第34-35页 |
| 3.3.3 运动特征 | 第35-37页 |
| 3.3.4 基于改进信息熵提取特征 | 第37-38页 |
| 3.3.5 异常值特征 | 第38-39页 |
| 3.4 特征有效性分析 | 第39-44页 |
| 3.5 特征分布稳定性检验 | 第44-46页 |
| 3.6 本章小结 | 第46-47页 |
| 第4章 基于改进SVM算法的人机区分技术 | 第47-66页 |
| 4.1 支持向量机基本原理 | 第47-52页 |
| 4.1.1 线性支持向量机 | 第47-50页 |
| 4.1.2 广义线性支持向量机 | 第50-51页 |
| 4.1.3 非线性支持向量机 | 第51-52页 |
| 4.2 基于修正核函数的支持向量机 | 第52-55页 |
| 4.3 One-Class SVM | 第55页 |
| 4.4 基于用户行为特征的人机区分及实验分析 | 第55-64页 |
| 4.4.1 实验环境 | 第56-57页 |
| 4.4.2 实验结果评价指标 | 第57页 |
| 4.4.3 基于PCA-LDA的特征降维 | 第57-59页 |
| 4.4.4 基于One-class SVM的异常检测及其参数优化 | 第59-61页 |
| 4.4.5 基于改进核函数的SVM人机区分及实验结果分析 | 第61-64页 |
| 4.5 本章小结 | 第64-66页 |
| 第5章 总结及展望 | 第66-68页 |
| 5.1 总结 | 第66-67页 |
| 5.2 展望 | 第67-68页 |
| 致谢 | 第68-69页 |
| 参考文献 | 第69-73页 |
| 攻读研究生期间发表的论文 | 第73页 |