文档介绍：研究生签名:桦研究生签名:拘整盈为傍多月扣日办恽夕月如日声学位论文使用授权声明明本学位论文中,除了加以标注和致谢的部分外,不包含其他人已经发表或公布过的研究成果,也不包含我为获得任何教育机构的学位或学南京理工大学有权保存本学位论文的电子和纸质文档,可以借阅或上网公布本学位论文的部分或全部内容,可以向有关部门或机构送交并授权其保存、借阅或上网公布本学位论文的部分或全部内容。对本学位论文是我在导师的指导下取得的研究成果,尽我所知,在历而使用过的材料。与我一同工作的同事对本学位论文做出的贡献均已在论文中作了明确的说明。于保密论文,按保密的有关规定和程序处理。
\//摘要关键词:入侵检测支持向量机蚁群聚类算法数据挖掘机器学习在高速发展的信息时代,随着网络技术和规模的不断发展,信息安全已经成为全球性的重要问题之一。入侵检测技术作为新一代安全保护技术,它对计算机或网络中发生的事件监视和分析,检测出入侵行为从而增强系统的安全性。在现实的网络环境中,入侵检测系统很难获得较完备的训练样本,主动学习支持向量机惴芄缓芎玫亟饩鲂⊙狙暗奈侍猓蟠蠹跎偎柩盗费镜氖浚可以提高入侵检测系统中分类器的性能。同时,入侵检测系统需要根据外在环境的变化而不断更新。由于检测模型的再训练需要较长的时间,对于所有数据再训练新的模型是不切实际的。因此需要能够产生自适应模型的机制,通过利用旧模型和新信息来进行更新,自组织蚁群聚类算法已经在自适应模型中使用,它不需要对所有数据再训练就可以更新模型。文中给出了基于蚁群聚类的惴ǎ鞫癝算法中查询策略改为基于聚类的方法,把自组织蚁群聚类过程分为多个子阶段,同时修改了蚂蚁的行动机制,对特定对象聚类。将自组织蚁群聚类算法作为惴ㄖ械牟檠呗裕讯哂行У融合,并将改进的算法应用于入侵检测系统。使用标准数据集作为检测数据源,实验结果表明,基于蚁群聚类的惴ㄓ朐璖算法相比,减少了运行时间,具有自组织性,有较高的检测率和较低的误报率、漏报率,同时与蚁群聚类算法相比显著的提高了算法的执行效率。硕士论文基于蚁群聚类的惴ㄔ谌肭旨觳庵械挠τ
琣琣..,.琲,,..琁.,瓵,甌,甋琁—猵,.瓻琣硕士论文珻,
录目摘髀郏##########!###肭旨觳饧际醺攀觥先壕劾嗟腟算法⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯要....。...。..。.......。.。.....。..........。.......。。。。.....。.。....。....。..........。.。..............С窒蛄炕氖迪旨际酢!P蚬嶙钚∮呕惴⋯⋯⋯⋯⋯⋯.论文研究背景和意义⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯..国内外研究现状⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯论文的研究目的⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯。论文的研究内容和组织结构⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯一本章小结⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯入侵检测简介⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯。入侵检测系统的基本原理⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯..入侵检测系统的分类⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯.⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯。.⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯蚁群聚类算法⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯.靖拍罱!............................................⋯.................................................................硕士论文基于蚁群聚类的惴ㄔ谌肭旨觳庵械挠τ
谝先壕劾嗟腟算法的入侵检测模型⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯.笛榻峁头治觥芙嵊胝雇致参考文献⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯.谢.......⋯......................................................................⋯⋯⋯.....................⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯.劾嗟闹鞫癝算法⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯.谝先壕劾嗨惴ǘ蕴囟ǘ韵缶劾唷本章小结⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯