| 摘要 | 第1-9页 |
| Abstract | 第9-11页 |
| 1 绪论 | 第11-25页 |
| ·研究背景及意义 | 第11-15页 |
| ·研究现状 | 第15-22页 |
| ·本文的研究意义 | 第22-23页 |
| ·本文的创新点 | 第23-24页 |
| ·论文的组织结构 | 第24-25页 |
| 2 基于核学习的入侵检测改进方法 | 第25-38页 |
| ·核主成分分析与支持向量数据描述方法 | 第26-29页 |
| ·核主成分分析 | 第26-27页 |
| ·支持向量数据描述 | 第27-29页 |
| ·基于 KPCA 与 SVDD 的入侵检测改进算法 | 第29-32页 |
| ·实验结果及比较分析 | 第32-37页 |
| ·实验数据集描述 | 第32-33页 |
| ·实验方案设计 | 第33-34页 |
| ·实验结果及分析 | 第34-37页 |
| ·本章小结 | 第37-38页 |
| 3 一种新的基于半监督核学习的多分类算法 | 第38-56页 |
| ·半监督学习的模型假设 | 第38-39页 |
| ·半监督学习算法分类 | 第39-41页 |
| ·生成式模型算法 | 第39-40页 |
| ·基于图正则化框架的半监督学习算法 | 第40页 |
| ·协同训练 | 第40-41页 |
| ·基于半监督核学习的多分类算法 | 第41-51页 |
| ·基于半监督学习的支持向量数据描述新模型 | 第42-45页 |
| ·模型的数学特性 | 第45-47页 |
| ·算法设计 | 第47-51页 |
| ·实验结果 | 第51-55页 |
| ·实验数据集 | 第51-52页 |
| ·实验步骤 | 第52-53页 |
| ·结果分析 | 第53-55页 |
| ·本章小结 | 第55-56页 |
| 4 基于入侵检测的数据流挖掘系统模型 | 第56-66页 |
| ·Hadoop 平台概述 | 第57-60页 |
| ·Hadoop 平台优点 | 第57页 |
| ·Hadoop 核心子项目 | 第57-59页 |
| ·Hadoop 构造模块 | 第59-60页 |
| ·基于入侵检测的数据流挖掘系统模型 | 第60-63页 |
| ·模型的性能分析 | 第63-65页 |
| ·本章小结 | 第65-66页 |
| 5 总结与展望 | 第66-67页 |
| 参考文献 | 第67-71页 |
| 致谢 | 第71-72页 |
| 攻读硕士期间学术成果 | 第72页 |