支持向量机的研究及其在入侵检测中的应用
| 摘要 | 第1-6页 |
| Abstract | 第6-9页 |
| 第一章 绪论 | 第9-12页 |
| ·研究背景 | 第9-10页 |
| ·研究现状 | 第10-11页 |
| ·研究的工作和意义 | 第11页 |
| ·论文的安排 | 第11-12页 |
| 第二章 支持向量机理论 | 第12-33页 |
| ·统计学习理论 | 第12-15页 |
| ·支持向量机基础 | 第15-18页 |
| ·凸约束最优化问题 | 第15页 |
| ·KKT 条件 | 第15-16页 |
| ·对偶问题 | 第16-17页 |
| ·核技巧 | 第17-18页 |
| ·支持向量机分类 | 第18-25页 |
| ·线性可分问题 | 第18-20页 |
| ·线性不可分问题 | 第20-23页 |
| ·多分类问题 | 第23-25页 |
| ·支持向量机规划问题求解 | 第25-32页 |
| ·引言 | 第25-26页 |
| ·大型规划问题的求解算法 | 第26-27页 |
| ·SMO 算法中的两点解析法 | 第27-30页 |
| ·SVMLight | 第30-32页 |
| ·本章小结 | 第32-33页 |
| 第三章 相邻边界模型在支持向量机中的应用 | 第33-46页 |
| ·SVM 训练算法的研究 | 第33-41页 |
| ·已有研究的总结 | 第33-34页 |
| ·基于聚类的支持向量机 | 第34-35页 |
| ·核向量机 | 第35-36页 |
| ·相邻边界模型预选算法 | 第36-41页 |
| ·SVM 增量学习的研究 | 第41-45页 |
| ·研究背景 | 第41页 |
| ·研究现状 | 第41页 |
| ·空间划分思想和样本分布假设 | 第41-43页 |
| ·增量算法描述 | 第43-44页 |
| ·增量算法有效性分析 | 第44-45页 |
| ·本章小结 | 第45-46页 |
| 第四章 SVM 在入侵检测中的应用研究 | 第46-55页 |
| ·入侵检测 | 第46-48页 |
| ·入侵检测系统的作用 | 第46页 |
| ·入侵检测系统的分类 | 第46-48页 |
| ·入侵研究 | 第48-51页 |
| ·入侵的描述 | 第48页 |
| ·特权层 | 第48-50页 |
| ·入侵的分类 | 第50-51页 |
| ·实验和分析 | 第51-54页 |
| ·实验数据介绍 | 第52页 |
| ·实验数据预处理 | 第52-53页 |
| ·实验过程和结果分析 | 第53-54页 |
| ·本章小结 | 第54-55页 |
| 第五章 总结和展望 | 第55-57页 |
| ·论文总结 | 第55页 |
| ·进一步的工作 | 第55-57页 |
| 致谢 | 第57-58页 |
| 附录 A KDD99 入侵数据格式 | 第58-60页 |
| 附录 B 入侵数据字段处理对应表 | 第60-62页 |
| 附录 C 属性预设值和数据格式样例 | 第62-63页 |
| 参考文献 | 第63-66页 |
| 附:硕士期间发表的论文 | 第66页 |
