| 摘要 | 第1-4页 |
| Abstract | 第4-8页 |
| 第一章 绪论 | 第8-16页 |
| ·网络流量分类的研究背景及意义 | 第8-9页 |
| ·国内外研究现状 | 第9-13页 |
| ·P2P 网络 | 第9-10页 |
| ·网络流量分类方法 | 第10-12页 |
| ·P2P 流量分类方法 | 第12-13页 |
| ·论文主要工作 | 第13页 |
| ·论文章节安排 | 第13-16页 |
| 第二章 P2P 网络流量分类方法 | 第16-24页 |
| ·基于机器学习的网络流量分类方法 | 第16-19页 |
| ·朴素贝叶斯分类器 | 第16-17页 |
| ·决策树分类方法 | 第17-18页 |
| ·聚类算法 | 第18页 |
| ·神经网络分类方法 | 第18-19页 |
| ·P2P 流量分类方法 | 第19-21页 |
| ·基于端口的 P2P 流量分类方法 | 第19-20页 |
| ·基于深层数据包检测的 P2P 流量分类方法 | 第20-21页 |
| ·基于行为特征的 P2P 流量分类方法 | 第21页 |
| ·小结 | 第21-24页 |
| 第三章 基于行为特征的 P2P 网络流量分类方法 | 第24-42页 |
| ·P2P 网络的行为特征 | 第24-30页 |
| ·P2P 网络的行为特征 | 第25-26页 |
| ·几种 P2P 应用的数据包行为特征分析 | 第26-30页 |
| ·P2P 网络流量行为特征检测模型 | 第30-40页 |
| ·功能特征 | 第30-33页 |
| ·数据包特征 | 第33-36页 |
| ·流量行为特征检测模型 | 第36-40页 |
| ·小结 | 第40-42页 |
| 第四章 基于支持向量机的 P2P 网络流量分类模型 | 第42-54页 |
| ·支持向量机 | 第42-46页 |
| ·支持向量机原理 | 第42-45页 |
| ·核函数 | 第45-46页 |
| ·P2P 网络流量分类模型 | 第46-50页 |
| ·行为特征的选择 | 第46-47页 |
| ·SVM 核函数的选择 | 第47-48页 |
| ·SVM 多类问题 | 第48-50页 |
| ·基于 SVM 的 P2P 分类模型 | 第50-51页 |
| ·小结 | 第51-54页 |
| 第五章 P2P 流量分类模型仿真 | 第54-62页 |
| ·LIBSVM 概述 | 第54-55页 |
| ·仿真 | 第55-57页 |
| ·实验环境 | 第55页 |
| ·仿真场景 | 第55-57页 |
| ·仿真结果分析 | 第57-60页 |
| ·小结 | 第60-62页 |
| 第六章 结束语 | 第62-64页 |
| ·工作总结 | 第62页 |
| ·展望 | 第62-64页 |
| 致谢 | 第64-66页 |
| 参考文献 | 第66-70页 |
| 攻读硕士期间参与的科研工作 | 第70-71页 |