基于数据降维和支持向量机的入侵检测方法研究

入侵检测论文 支持向量机论文 局部线性嵌入论文
论文详情
入侵检测是一种积极主动的安全防护技术,本文构建了一种基于数据降维与支持向量机的入侵检测方案,研究了特征数值化、归一化、数据降维、特征选取、SVM分类等技术;对PCA、ICA、LLE算法的性能进行了比较,将LLE降维技术用于入侵检测。利用KDD99数据和Matlab编程进行仿真实验,结果表明,采用基于LLE数据降维技术和支持向量机分类技术进行入侵检测,可提高检测率,降低漏报率,获得较小的误报率。针对LLE算法检测时间长的不足,采用了一种改进型的LLE算法进行入侵检测实验,结果表明改进型的LLE算法明显降低了检测时间。
中文摘要第4页
英文摘要第4页
第一章 绪论第7-12页
    1.1 选题背景及意义第7页
    1.2 国内外入侵检测的研究现状第7-10页
        1.2.1 入侵检测的发展动向第8页
        1.2.2 支持向量机在入侵检测技术中的应用第8-9页
        1.2.3 流形学习算法的研究与应用第9-10页
    1.3 论文的主要工作第10-12页
第二章 入侵检测概述第12-21页
    2.1 入侵检测系统第12-13页
    2.2 入侵检测系统分类第13-19页
        2.2.1 根据数据源分类第13-14页
        2.2.2 根据检测方法分类第14-19页
    2.3 入侵检测性能评价标准第19页
    2.4 目前入侵检测技术的不足和发展方向第19-20页
    2.5 本章小结第20-21页
第三章 入侵检测方案第21-33页
    3.1 入侵检测方案第21页
    3.2 入侵检测数据集及预处理第21-27页
        3.2.1 数据集介绍第21-26页
        3.2.2 特征数值化、归一化处理第26-27页
    3.3 基于支持向量机的入侵检测实现第27-32页
        3.3.1 支持向量机原理第27-29页
        3.3.2 支持向量机应用第29页
        3.3.3 支持向量机与最小二乘支持向量机对比第29-32页
    3.4 本章小结第32-33页
第四章 特征选取与数据降维第33-39页
    4.1 数据降维的研究背景第33-34页
        4.1.1 机器学习处理高维数据中存在的困难第33页
        4.1.2 特征选取方法分类第33-34页
    4.2 特征选择第34页
    4.3 特征提取第34-36页
        4.3.1 主成分分析算法第35-36页
        4.3.2 独立成分分析算法第36页
    4.4 基于特征选择和特征提取的实验第36-38页
    4.5 本章小结第38-39页
第五章 局部线性嵌入算法及其改进第39-50页
    5.1 流形学习方法第39-41页
        5.1.1 流形学习方法简介第39-40页
        5.1.2 流形学习方法应用第40-41页
    5.2 局部线性嵌入算法第41-43页
        5.2.1 局部线性嵌入算法概述第42页
        5.2.2 局部线性嵌入算法数值实验第42-43页
    5.3 局部线性嵌入与独立成分分析、主成分分析算法实验比较第43-46页
    5.4 改进型局部线性嵌入算法第46-49页
        5.4.1 局部线性嵌入算法中近邻点个数K 的影响第46-47页
        5.4.2 改进型局部线性嵌入算法原理第47-48页
        5.4.3 改进型局部线性嵌入算法实验第48-49页
    5.5 本章小结第49-50页
第六章 结论与展望第50-52页
参考文献第52-55页
致谢第55-56页
在学期间发表的学术论文和参加科研情况第56页
论文购买
论文编号ABS986579,这篇论文共56页
会员购买按0.30元/页下载,共需支付16.8
不是会员,注册会员
会员更优惠充值送钱
直接购买按0.5元/页下载,共需要支付28
只需这篇论文,无需注册!
直接网上支付,方便快捷!
相关论文

点击收藏 | 在线购卡 | 站内搜索 | 网站地图
版权所有 艾博士论文 Copyright(C) All Rights Reserved
版权申明:本文摘要目录由会员***投稿,艾博士论文编辑,如作者需要删除论文目录请通过QQ告知我们,承诺24小时内删除。
联系方式: QQ:277865656