基于快速神经网络的入侵检测技术研究
| 致谢 | 第1-4页 |
| 摘要 | 第4-5页 |
| Abstract | 第5-9页 |
| 第一章 绪论 | 第9-14页 |
| ·本文研究背景 | 第9-12页 |
| ·网络安全的现状及发展趋势 | 第9-10页 |
| ·入侵检测技术发展现状及趋势 | 第10页 |
| ·神经网络技术 | 第10-12页 |
| ·论文研究内容及组织 | 第12-14页 |
| 第二章 入侵检测技术分析 | 第14-29页 |
| ·入侵检测的相关定义 | 第14-17页 |
| ·入侵和入侵检测的定义 | 第14-15页 |
| ·入侵检测的模型 | 第15-17页 |
| ·入侵检测技术的分类 | 第17-19页 |
| ·按照信息源的分类 | 第17-18页 |
| ·按照检测方法的分类 | 第18-19页 |
| ·入侵检测方法 | 第19-27页 |
| ·误用入侵检测技术 | 第19-22页 |
| ·异常入侵检测技术 | 第22-26页 |
| ·混合型入侵检测技术 | 第26页 |
| ·分布式入侵检测技术 | 第26-27页 |
| ·入侵检测技术的发展趋势 | 第27-28页 |
| ·本章小结 | 第28-29页 |
| 第三章 神经网络技术研究 | 第29-39页 |
| ·人工神经网络 | 第29-34页 |
| ·神经元模型 | 第29-30页 |
| ·神经网络的结构 | 第30-32页 |
| ·人工神经网络的分类 | 第32-34页 |
| ·BP神经网络 | 第34-38页 |
| ·BP神经元及其模型 | 第34-35页 |
| ·BP网络的学习 | 第35-38页 |
| ·本章小结 | 第38-39页 |
| 第四章 快速学习算法在入侵测中的应用 | 第39-48页 |
| ·单隐藏层前馈神经网络 | 第39-40页 |
| ·SLFN模型 | 第39-40页 |
| ·BP算法 | 第40页 |
| ·快速学习算法 | 第40-41页 |
| ·仿真检测实验设计 | 第41-44页 |
| ·实验平台及实验目的 | 第41页 |
| ·实验样本选择及预处理 | 第41-44页 |
| ·实验结构设计 | 第44页 |
| ·ELM仿真实验结果 | 第44-45页 |
| ·BP神经网络仿真实验 | 第45-47页 |
| ·BP神经网络学习算法比较 | 第45页 |
| ·训练效果图 | 第45-47页 |
| ·结果分析 | 第47页 |
| ·本章小结 | 第47-48页 |
| 第五章 基于快速神经网络的入侵检测系统模型 | 第48-55页 |
| ·入侵检测的CIDF模型 | 第48-49页 |
| ·基于快速神经网络的入侵检测模型 | 第49-51页 |
| ·模型功能设计 | 第51-54页 |
| ·数据收集模块 | 第51-52页 |
| ·分析模块 | 第52-53页 |
| ·侵响应模块 | 第53-54页 |
| ·侵数据库 | 第54页 |
| ·侵检测系统的实现 | 第54页 |
| ·本章小结 | 第54-55页 |
| 第六章 总结 | 第55-56页 |
| 参考文献 | 第56-59页 |
| 攻读硕士学位期间发表的主要论文 | 第59-60页 |
| 摘要 | 第60-61页 |
| Abstract | 第61页 |
