| 摘要 | 第1-4页 |
| Abstract | 第4-7页 |
| 1 绪论 | 第7-9页 |
| ·选题的科学依据 | 第7-8页 |
| ·本文主要工作 | 第8页 |
| ·本文的结构与组织 | 第8-9页 |
| 2 网络安全和网络入侵检测问题概述 | 第9-15页 |
| ·网络安全概述 | 第9-11页 |
| ·网络安全问题的根源 | 第9-10页 |
| ·网络安全概念 | 第10-11页 |
| ·网络入侵检测概述 | 第11-15页 |
| ·什么是入侵检测 | 第11页 |
| ·为什么需要使用入侵检测系统 | 第11-12页 |
| ·入侵检测系统的作用 | 第12页 |
| ·入侵检测系统的主要类型 | 第12-15页 |
| 3 统计学习理论和支持向量机 | 第15-28页 |
| ·机器学习 | 第15-16页 |
| ·机器学习的基本问题和方法 | 第16-18页 |
| ·机器学习问题的表示 | 第16-17页 |
| ·经验风险最小化 | 第17页 |
| ·复杂性与推广能力 | 第17-18页 |
| ·统计学习理论 | 第18-20页 |
| ·学习过程一致性的条件 | 第18-19页 |
| ·VC维 | 第19页 |
| ·推广性的界 | 第19-20页 |
| ·结构风险最小化 | 第20页 |
| ·支持向量机 | 第20-25页 |
| ·最优分类面 | 第21-23页 |
| ·广义最优分类面 | 第23-24页 |
| ·支持向量机 | 第24-25页 |
| ·支持向量机的优化算法 | 第25页 |
| ·用支持向量机构造入侵检测分类器 | 第25-28页 |
| ·入侵检测中的分类问题 | 第26页 |
| ·支持向量机(SVM)分类器的分类过程 | 第26-28页 |
| 4 基于多SVM决策组合的入侵检测系统模型 | 第28-36页 |
| ·支持向量机应用于入侵检测的可行性 | 第28页 |
| ·系统模型的总体框架 | 第28-29页 |
| ·系统模型框架图 | 第28-29页 |
| ·系统模型框架中各模块的功能设计 | 第29页 |
| ·网络数据采集和数据预处理模块 | 第29-34页 |
| ·网络数据采集 | 第30页 |
| ·网络数据预处理 | 第30-34页 |
| ·数据格式 | 第30-33页 |
| ·数据预处理 | 第33-34页 |
| ·基于多SVM决策组合的分类器模块 | 第34-36页 |
| ·特征空间的划分 | 第34-35页 |
| ·分类器模块中决策组合中心的设计 | 第35-36页 |
| 5 多分类器组合技术及其应用 | 第36-45页 |
| ·多分类器组合概述 | 第36-37页 |
| ·多分类器组合类型 | 第37-38页 |
| ·级联结构 | 第37页 |
| ·并联结构 | 第37-38页 |
| ·多分类器决策组合方法及其应用 | 第38-45页 |
| ·基于多数投票表决的决策组合法及其在本系统中的应用 | 第39-40页 |
| ·投票表决法 | 第39-40页 |
| ·多数投票表决法在本系统中的应用 | 第40页 |
| ·基于分类器性能为先验知识的投票表决法及其应用 | 第40-42页 |
| ·基于分类器性能为先验知识的投票表决法 | 第40-41页 |
| ·基于分类器性能为先验知识的投票表决法的应用 | 第41-42页 |
| ·基于局部准确率的动态分类器选择(DCS_LA)法及其应用 | 第42-45页 |
| ·动态分类器选择技术 | 第42页 |
| ·基于局部准确率的动态分类器选择(DCS_LA)法的应用 | 第42-45页 |
| 6 仿真实验及结果分析 | 第45-51页 |
| ·实验数据的来源 | 第45-47页 |
| ·实验数据的选择 | 第47页 |
| ·实验处理的流程 | 第47-48页 |
| ·实验结果比较与分析 | 第48-50页 |
| ·系统的缺陷和未来的研究方向 | 第50-51页 |
| 7 总结与展望 | 第51-52页 |
| 致谢 | 第52-53页 |
| 参考文献 | 第53-56页 |
