基于改进的字典学习的网络入侵检测方法研究
| 摘要 | 第4-5页 |
| abstract | 第5页 |
| 第一章 绪论 | 第8-15页 |
| 1.1 研究背景及意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-12页 |
| 1.3 研究内容及创新点 | 第12页 |
| 1.4 本文组织结构 | 第12-15页 |
| 第二章 相关知识理论 | 第15-24页 |
| 2.1 入侵检测 | 第15-17页 |
| 2.2 字典学习和稀疏表示 | 第17-18页 |
| 2.3 交替方向乘子法 | 第18-20页 |
| 2.3.1 凸优化技术 | 第18-19页 |
| 2.3.2 更新交替变量 | 第19-20页 |
| 2.4 强化学习 | 第20-23页 |
| 2.4.1 强化学习理论 | 第20-21页 |
| 2.4.2 马尔科夫决策过程 | 第21-23页 |
| 2.5 本章小结 | 第23-24页 |
| 第三章 基于字典学习和稀疏特征的入侵检测方法 | 第24-35页 |
| 3.1 基于字典学习的入侵检测模型 | 第24-26页 |
| 3.2 基于字典学习和ADMM优化的稀疏特征提取 | 第26-32页 |
| 3.2.1 数据集的稀疏表达和凸近似 | 第26-28页 |
| 3.2.2 入侵检测稀疏特征的提取 | 第28-31页 |
| 3.2.3 算法的收敛性分析 | 第31-32页 |
| 3.3 基于最小重构误差的入侵数据检测方法 | 第32-34页 |
| 3.4 本章小结 | 第34-35页 |
| 第四章 基于强化学习的入侵检测方法 | 第35-44页 |
| 4.1 入侵检测的强化学习环境的构建 | 第35-38页 |
| 4.1.1 建立入侵检测系统的马尔科夫决策过程 | 第35-37页 |
| 4.1.2 入侵检测系统的马尔科夫决策过程的求解 | 第37-38页 |
| 4.2 入侵检测系统的累积奖赏和策略表示方法 | 第38-39页 |
| 4.3 入侵检测的最优检测策略 | 第39-43页 |
| 4.3.1 基于有模型学习的入侵检测最优分类策略 | 第39-41页 |
| 4.3.2 入侵检测策略值函数的最优解 | 第41-43页 |
| 4.4 本章小结 | 第43-44页 |
| 第五章 实验及数据分析 | 第44-53页 |
| 5.1 入侵检测数据集及特征描述 | 第44-46页 |
| 5.2 数据预处理 | 第46-48页 |
| 5.2.1 数据预处理 | 第46-48页 |
| 5.2.2 实验环境以及数据集抽取 | 第48页 |
| 5.3 对比实验 | 第48-52页 |
| 5.3.1 实验结果的评价指标 | 第48-49页 |
| 5.3.2 实验结果及分析 | 第49-52页 |
| 5.4 本章小结 | 第52-53页 |
| 第六章 总结与展望 | 第53-55页 |
| 6.1 本文工作总结 | 第53页 |
| 6.2 未来研究方向 | 第53-55页 |
| 参考文献 | 第55-58页 |
| 附录1 攻读硕士学位期间撰写的论文 | 第58-59页 |
| 附录2 攻读硕士学位期间申请的专利 | 第59-60页 |
| 致谢 | 第60页 |
