| 摘要 | 第1-7页 |
| Abstract | 第7-12页 |
| 第1章 绪论 | 第12-16页 |
| ·引言 | 第12页 |
| ·国内外研究现状 | 第12-13页 |
| ·选题意义 | 第13-14页 |
| ·论文主要内容和组织结构 | 第14-16页 |
| 第2章 相关领域的知识介绍 | 第16-24页 |
| ·入侵检测系统 | 第16-18页 |
| ·入侵检测系统概述 | 第16-17页 |
| ·入侵检测方法 | 第17-18页 |
| ·特征提取 | 第18-21页 |
| ·KPCA | 第18-20页 |
| ·KICA | 第20-21页 |
| ·机器学习与集成 | 第21-24页 |
| ·机器学习 | 第21-23页 |
| ·集成学习 | 第23-24页 |
| 第3章 一种基于分布式集成学习的入侵检测模型 | 第24-39页 |
| ·分布式入侵检测系统简介 | 第24-26页 |
| ·基于 Hebb 规则的分布神经网络学习算法简介 | 第26-28页 |
| ·基于 KPCA 和 KICA 分布式集成学习的入侵检测模型 | 第28-39页 |
| ·KDIDM 的总体框架 | 第28-32页 |
| ·中央分析器 | 第32-33页 |
| ·KDIDM 的主要流程 | 第33-36页 |
| ·响应机制 | 第36-37页 |
| ·自适应反馈调节算法 | 第37-39页 |
| 第4章 系统设计与实现 | 第39-53页 |
| ·系统设计 | 第39-42页 |
| ·实验环境介绍 | 第39-40页 |
| ·检测单元设计 | 第40-41页 |
| ·系统开发语言 | 第41-42页 |
| ·实验分析 | 第42-50页 |
| ·仿真实验数据集简介 | 第42-43页 |
| ·系统的检测能力 | 第43-49页 |
| ·系统对大规模数据的检测性能 | 第49页 |
| ·系统的在线检测性能 | 第49-50页 |
| ·系统运行 | 第50-53页 |
| 第5章 总结与展望 | 第53-55页 |
| ·本文工作总结 | 第53-54页 |
| ·下一步展望 | 第54-55页 |
| 参考文献 | 第55-58页 |
| 作者简介及攻读学位期间所取得的科研成果 | 第58-59页 |
| 致谢 | 第59页 |