基于半监督优化分类的入侵检测方法研究
| 摘要 | 第1-5页 |
| ABSTRACT | 第5-11页 |
| 第一章 绪论 | 第11-16页 |
| ·论文研究背景及意义 | 第11-13页 |
| ·国内外研究现状 | 第13-14页 |
| ·本文研究内容与组织结构 | 第14-16页 |
| ·本文主要研究工作 | 第14-15页 |
| ·论文的组织结构 | 第15-16页 |
| 第二章 入侵检测技术 | 第16-23页 |
| ·入侵攻击与入侵检测 | 第16-17页 |
| ·入侵检测系统模型 | 第17-19页 |
| ·入侵检测系统分类 | 第19-21页 |
| ·基于数据源分类 | 第19页 |
| ·基于响应时间分类 | 第19-20页 |
| ·基于分析方法分类 | 第20-21页 |
| ·入侵检测系统难题和研究方向 | 第21-22页 |
| ·本章小结 | 第22-23页 |
| 第三章 半监督学习与支持向量机 | 第23-38页 |
| ·机器学习 | 第23-24页 |
| ·半监督学习 | 第24-25页 |
| ·统计学习理论 | 第25-30页 |
| ·相似性度量 | 第26页 |
| ·VC 维与结构风险最小化 | 第26-28页 |
| ·线性回归与 logistic 回归 | 第28-30页 |
| ·支持向量机 | 第30-37页 |
| ·函数间隔与几何间隔 | 第30-32页 |
| ·最优分类超平面 | 第32-33页 |
| ·线性可分 | 第33-34页 |
| ·线性不可分 | 第34-36页 |
| ·支持向量机原理及应用 | 第36-37页 |
| ·本章小结 | 第37-38页 |
| 第四章 半监督优化分类入侵检测方法的实现 | 第38-60页 |
| ·半监督支持向量机 | 第38-40页 |
| ·问题的提出 | 第40-42页 |
| ·相关基础研究 | 第42-45页 |
| ·SVM 入侵检测与 SV 预选 | 第42-44页 |
| ·k-means 聚类算法 | 第44-45页 |
| ·改进方法的介绍 | 第45-50页 |
| ·SV 预选方法 | 第45-47页 |
| ·多分类决策面算法 | 第47-50页 |
| ·实验数据准备与仿真环境 | 第50-55页 |
| ·数据集简介 | 第50-53页 |
| ·数据归一化 | 第53-55页 |
| ·仿真环境 | 第55页 |
| ·SV 预选仿真实验与分析 | 第55-57页 |
| ·多分类决策面仿真实验与分析 | 第57-59页 |
| ·本章小结 | 第59-60页 |
| 第五章 总结与展望 | 第60-61页 |
| 参考文献 | 第61-64页 |
| 致谢 | 第64-65页 |
| 在学期间的研究成果及发表的学术论文 | 第65页 |
