| 摘要 | 第1-8页 |
| Abstract | 第8-17页 |
| 第1章 绪论 | 第17-35页 |
| ·研究背景 | 第17-18页 |
| ·生物免疫与入侵检测 | 第18-23页 |
| ·入侵检测 | 第18-19页 |
| ·生物免疫 | 第19-20页 |
| ·基于免疫的入侵检测 | 第20-22页 |
| ·检测器及其性能 | 第22-23页 |
| ·国内外研究现状 | 第23-32页 |
| ·二进制否定选择算法 | 第23-26页 |
| ·实值否定选择算法 | 第26-31页 |
| ·国内外研究评述 | 第31-32页 |
| ·研究意义和研究内容 | 第32-35页 |
| ·课题来源 | 第32页 |
| ·研究意义 | 第32页 |
| ·研究内容 | 第32-33页 |
| ·组织结构 | 第33-35页 |
| 第2章 检测器的分配策略研究 | 第35-61页 |
| ·引言 | 第35页 |
| ·实值检测器生成算法 | 第35-40页 |
| ·基于单点的训练策略 | 第36-37页 |
| ·搜索方式 | 第37-38页 |
| ·自体可变性 | 第38-40页 |
| ·基于自体区域的实值检测器生成算法 | 第40-50页 |
| ·基于自体区域的训练策略 | 第41-44页 |
| ·边界检测器 | 第44-47页 |
| ·混合搜索方式 | 第47-50页 |
| ·实验结果与分析 | 第50-60页 |
| ·二维人工数据 | 第51-54页 |
| ·Fisher's Iris数据集 | 第54-57页 |
| ·KDD CUP 1999数据集 | 第57-60页 |
| ·本章小结 | 第60-61页 |
| 第3章 检测器自身检测性能的研究 | 第61-82页 |
| ·引言 | 第61-62页 |
| ·超球体检测器的识别和分布性能 | 第62-68页 |
| ·KDD CUP 1999数据集上的检测结果 | 第62-63页 |
| ·识别性能 | 第63-65页 |
| ·分布性能 | 第65-67页 |
| ·时空复杂度 | 第67-68页 |
| ·基于主成分加权的实值否定选择算法 | 第68-73页 |
| ·SPACE-TRANSFORMATION函数 | 第69-71页 |
| ·MEASURE WEIGHTED AFFINITY函数 | 第71-73页 |
| ·实验结果与分析 | 第73-80页 |
| ·Fisher's Iris数据集 | 第73-75页 |
| ·Wine数据集 | 第75-76页 |
| ·KDD CUP 1999数据集 | 第76-80页 |
| ·本章小结 | 第80-82页 |
| 第4章 检测器的邻域表示方法 | 第82-100页 |
| ·引言 | 第82-83页 |
| ·样本的集合特性 | 第83-85页 |
| ·邻域否定选择算法 | 第85-90页 |
| ·形态空间 | 第86-87页 |
| ·自体/检测器表示 | 第87-89页 |
| ·匹配规则 | 第89-90页 |
| ·邻域否定选择算法的特点及复杂性分析 | 第90-92页 |
| ·算法特点 | 第90-91页 |
| ·复杂性分析 | 第91-92页 |
| ·自适应邻域否定选择算法 | 第92-96页 |
| ·连续型属性的划分方法 | 第94-95页 |
| ·算法特点 | 第95-96页 |
| ·实验与分析 | 第96-99页 |
| ·邻域否定选择算法实验 | 第96-98页 |
| ·自适应邻域否定选择算法实验 | 第98-99页 |
| ·本章小结 | 第99-100页 |
| 第5章 检测器处理对象的提取方法 | 第100-115页 |
| ·引言 | 第100页 |
| ·检测器处理对象 | 第100-103页 |
| ·网络流 | 第101-102页 |
| ·网络流模型 | 第102-103页 |
| ·网络流特性及优势 | 第103页 |
| ·网络流特征向量提取方法 | 第103-110页 |
| ·网络流特征向量 | 第103-104页 |
| ·提取方法 | 第104-105页 |
| ·数据结构 | 第105页 |
| ·网络流特征 | 第105-110页 |
| ·实验结果与分析 | 第110-114页 |
| ·Darpa 1998数据集 | 第110-111页 |
| ·数据的网络流信息 | 第111-113页 |
| ·测试结果 | 第113-114页 |
| ·本章小结 | 第114-115页 |
| 结论 | 第115-117页 |
| 参考文献 | 第117-129页 |
| 攻读学位期间发表的学术论文 | 第129-130页 |
| 致谢 | 第130页 |