物理隔离网闸的过滤技术研究和实现 |
论文目录 | | 摘要 | 第1-7
页 | ABSTRACT | 第7-13
页 | 第一章 绪论 | 第13-21
页 | · 网络信息安全的重要性 | 第13
页 | · 传统的网络安全防御手段和技术的局限性 | 第13-15
页 | · 网络隔离技术 | 第15-17
页 | · 网络隔离的技术思路 | 第15
页 | · 网络隔离技术的发展背景 | 第15-16
页 | · 网络隔离技术的研究现状 | 第16-17
页 | · 物理隔离网闸 | 第17-18
页 | · 物理隔离网闸的技术背景和现状 | 第17-18
页 | · 物理隔离网闸SGAP 的内容过滤模块 | 第18
页 | · 论文的研究内容和结构安排 | 第18-21
页 | 第二章 隔离网闸 SGAP | 第21-27
页 | · 物理隔离网闸的数据交换原理 | 第21-23
页 | · 隔离网闸 SGAP 结构体系 | 第23-26
页 | · 隔离网闸 SGAP 的系统逻辑结构 | 第23-24
页 | · SGAP 的软件协议栈结构 | 第24-25
页 | · 隔离网闸SGAP 传输协议模型 | 第25-26
页 | · 本章小结 | 第26-27
页 | 第三章 文本过滤的基本知识 | 第27-55
页 | · 文本过滤技术 | 第27-29
页 | · 文本过滤系统的类型 | 第27-28
页 | · 文本过滤的基本原理 | 第28-29
页 | · 文本的预处理 | 第29-34
页 | · 英文 Stemming | 第29-30
页 | · 中文的自动分词 | 第30
页 | · 多模式匹配算法 | 第30-34
页 | · 文本的表达(TEXT REPRESENTATION) | 第34-37
页 | · 布尔模型 | 第34
页 | · 概率模型 | 第34-35
页 | · 向量空间模型(VSM) | 第35-37
页 | · 文本特征选择(FEATURE SELECTION) | 第37-43
页 | · 文本特征选择的特点 | 第38
页 | · 基于Filter 的特征选择方法 | 第38-41
页 | · 基于粗糙集的特征选择方法 | 第41-43
页 | · 特征项权重 | 第43-45
页 | · 文本过滤算法 | 第45-51
页 | · 传统贝叶斯(Naive Bayes)算法 | 第45-46
页 | · 支持向量机(Support Vector Machines , SVMs) | 第46-49
页 | · K 个最近邻法(K-Nearest Neighbor, KNN) | 第49
页 | · 向量空间模型法(VSM) | 第49-50
页 | · 神经网络法(NNet) | 第50
页 | · 文本分类方法总结 | 第50-51
页 | · 文本聚类技术 | 第51-54
页 | · 文本聚类过程 | 第51-52
页 | · 文本聚类的方法 | 第52
页 | · 文本聚类的算法 | 第52-54
页 | · 本章小结 | 第54-55
页 | 第四章 隔离网闸 SGAP 的智能文本过滤方案 | 第55-66
页 | · SGAP 的安全功能引擎 | 第55-57
页 | · 智能文本过滤方案 | 第57-64
页 | · 文本预处理模块 | 第59-63
页 | · 混合特征选择 | 第63
页 | · 过滤引擎 | 第63-64
页 | · 本章小结 | 第64-66
页 | 第五章 混合特征选择和改进的 KNN 过滤算法 | 第66-78
页 | · 混合特征选择方法 | 第66-72
页 | · 初步特征选择 | 第67
页 | · 向量权重及归一化计算 | 第67-68
页 | · 决策表构建和离散 | 第68-69
页 | · 二次特征选择 | 第69-71
页 | · 实验和结果 | 第71-72
页 | · 改进的KNN 算法 | 第72-77
页 | · 传统KNN 算法 | 第72-74
页 | · 改进的KNN 算法 | 第74-75
页 | · 实验和结果 | 第75-77
页 | · 本章小结 | 第77-78
页 | 第六章 全文总结 | 第78-80
页 | · 论文工作 | 第78
页 | · 工作展望 | 第78-80
页 | 参考文献 | 第80-82
页 | 致谢 | 第82-83
页 | 攻读硕士学位期间已发表或录用的论文 | 第83
页 |
|
|
|