| 摘要 | 第1-5页 |
| ABSTRACT | 第5-10页 |
| 第1章 绪论 | 第10-16页 |
| ·选题背景及意义 | 第10-12页 |
| ·入侵检测的需求和基本概念 | 第12-13页 |
| ·论文研究目标 | 第13-14页 |
| ·论文主要工作 | 第14页 |
| ·论文内容安排 | 第14-16页 |
| 第2章 基于数据挖掘技术的入侵检测 | 第16-38页 |
| ·入侵检测定义和方法 | 第16-19页 |
| ·入侵检测定义 | 第16-17页 |
| ·入侵检测方法 | 第17-19页 |
| ·入侵检测系统 | 第19-21页 |
| ·入侵检测系统的评价标准 | 第21-23页 |
| ·数据挖掘的起源和定义 | 第23-25页 |
| ·数据挖掘算法的分类和方法 | 第25-28页 |
| ·数据挖掘的过程 | 第28-29页 |
| ·数据挖掘在入侵检测中应用的必要性和基本框架 | 第29-32页 |
| ·数据挖掘在入侵检测中的必要性 | 第29-31页 |
| ·基于数据挖掘的入侵检测框架 | 第31-32页 |
| ·相关理论知识 | 第32-37页 |
| ·机器学习的基本问题的表示 | 第32-33页 |
| ·经验风险最小化 | 第33-34页 |
| ·统计学习理论相关内容 | 第34-37页 |
| ·本章小结 | 第37-38页 |
| 第3章 模糊C 均值聚类在入侵检测中的应用 | 第38-52页 |
| ·DMIDS 的优点 | 第38-39页 |
| ·模糊C 均值聚类在入侵检测中的应用 | 第39-44页 |
| ·模糊C 均值聚类算法分析 | 第39-42页 |
| ·隶属度的解释 | 第42-44页 |
| ·实验 | 第44-51页 |
| ·实验数据KDDcup99 数据描述 | 第44-48页 |
| ·检测算法性能的测度 | 第48页 |
| ·数据处理 | 第48-49页 |
| ·实验训练集和检测结果 | 第49-51页 |
| ·本章小结 | 第51-52页 |
| 第4章 高维、异构 SVM 核函数构造及应用 | 第52-63页 |
| ·线性支持向量机 | 第52-54页 |
| ·非线性支持向量机 | 第54-55页 |
| ·SMO 算法的原理 | 第55-58页 |
| ·两个 Lagrange 乘子的优化问题 | 第55-56页 |
| ·SMO 算法描述 | 第56-58页 |
| ·新核函数的构造 | 第58-60页 |
| ·实验和结果 | 第60-61页 |
| ·本章小结 | 第61-63页 |
| 第5章 基于支持向量机和模糊 C 均值聚类的入侵检测算法 | 第63-71页 |
| ·基于模糊 C 均值聚类和支持向量机的入侵检测算法 | 第63-67页 |
| ·FCMSMO 训练算法 | 第64-65页 |
| ·FCMSMO 检测算法 | 第65-67页 |
| ·实验和结果 | 第67-70页 |
| ·本章小结 | 第70-71页 |
| 结论 | 第71-73页 |
| 参考文献 | 第73-78页 |
| 攻读硕士学位期间承担的科研任务与主要成果 | 第78-79页 |
| 致谢 | 第79-80页 |
| 作者简介 | 第80页 |