| 摘要 | 第1-4页 |
| Abstract | 第4-9页 |
| 第一章 绪论 | 第9-19页 |
| ·研究背景与意义 | 第9-10页 |
| ·网络流量控制技术 | 第10-12页 |
| ·入侵检测系统 | 第12-17页 |
| ·入侵检测系统的概念 | 第12-13页 |
| ·入侵检测技术 | 第13-16页 |
| ·IDS 存在的问题 | 第16页 |
| ·IDS 的发展趋势 | 第16-17页 |
| ·本文的主要工作和章节安排 | 第17-19页 |
| 第二章 混沌时间序列的特征 | 第19-38页 |
| ·相空间重构和嵌入定理 | 第19-25页 |
| ·相空间重构和嵌入定理 | 第19-24页 |
| ·嵌入定理的物理意义 | 第24-25页 |
| ·关联维数 | 第25-34页 |
| ·关联维数 | 第25-28页 |
| ·关联维数定理 | 第28-29页 |
| ·关联维数使用过程中的限制因素 | 第29-30页 |
| ·关联维数的计算 | 第30-32页 |
| ·嵌入维数与关联维数的关系 | 第32-34页 |
| ·替代数据方法 | 第34-37页 |
| ·本章小结 | 第37-38页 |
| 第三章 基于混沌时间序列的入侵检测系统 | 第38-57页 |
| ·Lyapunov 指数的定义、性质和计算 | 第38-44页 |
| ·混沌动力系统的Lyapunov 指数 | 第38-40页 |
| ·根据时间序列计算Lyapunov 指数的原理和算法 | 第40-42页 |
| ·一维映射Lyapunov 指数的定义和计算 | 第42-44页 |
| ·非线性预报的原理和算法 | 第44-46页 |
| ·非线性预报的原理和算法实现 | 第44-45页 |
| ·非线性预报结合替代数据方法 | 第45页 |
| ·非线性预报方法使用限制 | 第45-46页 |
| ·关联维数、非线性预报和Lyapunov 指数三种算法比较 | 第46-48页 |
| ·三种算法简介 | 第46页 |
| ·G-P 算法与非线性预报 | 第46-47页 |
| ·Lyapunov 指数与非线性预报 | 第47页 |
| ·比较结果 | 第47-48页 |
| ·基于混沌时间序列的网络流量预测 | 第48-51页 |
| ·网络流量的特性 | 第48-50页 |
| ·网络流量的预测 | 第50-51页 |
| ·基于混沌时间序列预测的入侵检测系统 | 第51-55页 |
| ·入侵检测系统 | 第51-52页 |
| ·报警信息的特性 | 第52-53页 |
| ·基于混沌时间序列的报警信息预测 | 第53-55页 |
| ·本章小结 | 第55-57页 |
| 第四章 基于SVM 的入侵检测系统 | 第57-93页 |
| ·支持向量机分类器 | 第57-65页 |
| ·线性可分情况下的支持向量机 | 第57-62页 |
| ·线性不可分情况下的支持向量机 | 第62-65页 |
| ·核函数 | 第65-66页 |
| ·常用的SVM 算法 | 第66-71页 |
| ·C-支持向量机 | 第66-68页 |
| ·v-支持向量机 | 第68-71页 |
| ·One-c1ass 支持向量机 | 第71页 |
| ·基于 SVM 的网络流量异常检测 | 第71-76页 |
| ·网络流量异常检测的特征参数选择 | 第71-74页 |
| ·数据预处理 | 第74-75页 |
| ·基于SVM 的网络流量检测 | 第75-76页 |
| ·基于 SVM 的入侵检测 | 第76-81页 |
| ·数据特征提取 | 第76-77页 |
| ·数据处理 | 第77-81页 |
| ·基于自适应特征加权的特征选择 | 第81-89页 |
| ·降维 | 第81页 |
| ·因子分析 | 第81-83页 |
| ·特征加权 | 第83-84页 |
| ·基于自适应特征加权的特征提取和选择 | 第84-87页 |
| ·实验结果分析 | 第87-89页 |
| ·基于 SVM 的入侵检测系统 | 第89-91页 |
| ·本章小结 | 第91-93页 |
| 第五章 总结与展望 | 第93-95页 |
| ·总结 | 第93-94页 |
| ·展望 | 第94-95页 |
| 参考文献 | 第95-104页 |
| 附录 1 攻读学位期间发表论文目录 | 第104-105页 |
| 附录 2 攻读学位期间参加科研项目目录 | 第105-106页 |
| 附表 网络连接记录的基本特征描述 | 第106-108页 |
| 致谢 | 第108页 |