基于支持向量机的入侵检测方法研究
| 中文摘要 | 第1-4页 |
| Abstract | 第4-9页 |
| 第一章 绪论 | 第9-13页 |
| ·课题研究背景及意义 | 第9页 |
| ·入侵检测研究现状及存在问题 | 第9-11页 |
| ·论文所做的工作 | 第11-12页 |
| ·章节安排 | 第12-13页 |
| 第二章 入侵检测技术分析 | 第13-21页 |
| ·入侵检测概述 | 第13-14页 |
| ·入侵检测的分类 | 第14-16页 |
| ·根据数据源分类 | 第14-15页 |
| ·根据分类引擎分类 | 第15-16页 |
| ·已有入侵检测方法分析 | 第16-18页 |
| ·基于SVM 的入侵检测方法 | 第18-20页 |
| ·SVM 应用到入侵检测的可行性 | 第18页 |
| ·基于SVM 的入侵检测模型 | 第18-20页 |
| ·基于SVM 的入侵检测存在的问题 | 第20-21页 |
| 第三章 统计学习理论与支持向量机 | 第21-36页 |
| ·统计学习理论 | 第21-25页 |
| ·学习问题的表示 | 第21-22页 |
| ·经验风险最小化原则 | 第22页 |
| ·VC 维 | 第22-23页 |
| ·推广性的界 | 第23页 |
| ·结构风险最小化原则 | 第23-25页 |
| ·最大间隔原则 | 第25-26页 |
| ·线性可分支持向量分类机 | 第26-31页 |
| ·规范超平面与间隔 | 第26-27页 |
| ·对偶问题及其与原始问题的关系 | 第27-29页 |
| ·线性可分支持向量分类机算法 | 第29页 |
| ·软间隔技术 | 第29-31页 |
| ·非线性可分支持向量分类机 | 第31-36页 |
| ·非线性SVM 概述 | 第31-32页 |
| ·核函数及选择 | 第32-35页 |
| ·非线性SVM 分类算法 | 第35-36页 |
| 第四章 入侵检测数据预选取方法 | 第36-43页 |
| ·引言 | 第36-37页 |
| ·基于主成分分析的降维压缩方法 | 第37-39页 |
| ·聚类算法分析 | 第39-40页 |
| ·PCA-CDC 算法思想及步骤 | 第40-43页 |
| ·算法思想 | 第40-41页 |
| ·算法步骤 | 第41-43页 |
| 第五章 支持向量机增量学习算法 | 第43-53页 |
| ·概述 | 第43-44页 |
| ·支持向量集的概念及特点 | 第44-45页 |
| ·SVM 增量学习过程分析 | 第45-48页 |
| ·增量学习后支持向量集变化分析 | 第45-48页 |
| ·广义KKT 条件 | 第48页 |
| ·SVM 增量学习算法 | 第48-50页 |
| ·改进的SVM 增量学习算法 | 第50-53页 |
| ·淘汰无用样本 | 第50-51页 |
| ·改进SVM 增量学习算法步骤 | 第51-53页 |
| 第六章 实验和结果分析 | 第53-63页 |
| ·实验数据集 | 第53-56页 |
| ·实验过程和结果分析 | 第56-63页 |
| ·核函数的选取 | 第56-57页 |
| ·基于PCA-CDC 的SVM 实验 | 第57-60页 |
| ·基于PCA-CDC 的改进SVM 增量算法实验 | 第60-63页 |
| 总结与展望 | 第63-64页 |
| 参考文献 | 第64-68页 |
| 攻读学位期间公开发表的论文 | 第68-69页 |
| 致谢 | 第69页 |
