| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第10-17页 |
| 1.1 研究背景和意义 | 第10-12页 |
| 1.2 国内外研究现状 | 第12-15页 |
| 1.2.1 有关网络协议异常流量检测 | 第12-13页 |
| 1.2.2 有关信息源统计规律的网络异常流量检测 | 第13-14页 |
| 1.2.3 有关机器学习的网络异常流量检测 | 第14页 |
| 1.2.4 有关分类器的网络异常流量检测 | 第14-15页 |
| 1.3 主要研究工作及创新点 | 第15-16页 |
| 1.4 文章组织内容 | 第16-17页 |
| 第二章 相关技术与理论 | 第17-26页 |
| 2.1 大数据与云计算 | 第17-18页 |
| 2.2 异常流量检测技术 | 第18-20页 |
| 2.2.1 统计分析法 | 第18-19页 |
| 2.2.2 信号处理技术 | 第19页 |
| 2.2.3 机器学习技术 | 第19-20页 |
| 2.3 分布式技术 | 第20-25页 |
| 2.3.1 Apache Hadoop | 第20-22页 |
| 2.3.2 HDFS分布式文件管理系统 | 第22-24页 |
| 2.3.3 Apache Zookeeper | 第24-25页 |
| 2.4 本章小结 | 第25-26页 |
| 第三章 异常流量检测算法 | 第26-35页 |
| 3.1 异常流量检测模型 | 第26-27页 |
| 3.2 Apache Mahout | 第27-29页 |
| 3.3 各类算法比较 | 第29-33页 |
| 3.3.1 EWMA指数加权移动平均算法 | 第29页 |
| 3.3.2 Entopy熵 | 第29-30页 |
| 3.3.3 K-means聚类 | 第30-31页 |
| 3.3.4 GMM算法 | 第31-32页 |
| 3.3.5 SVM算法 | 第32页 |
| 3.3.6 SVDD算法 | 第32-33页 |
| 3.4 算法总结 | 第33-34页 |
| 3.5 本章小结 | 第34-35页 |
| 第四章 异常实时响应训练与精度优化 | 第35-41页 |
| 4.1 异常实时响应训练算法 | 第35-36页 |
| 4.2 样本选择算法 | 第36-37页 |
| 4.3 异常响应方法 | 第37页 |
| 4.4 ROC曲线 | 第37-38页 |
| 4.5 Netflow | 第38-40页 |
| 4.6 本章小结 | 第40-41页 |
| 第五章 实验验证 | 第41-54页 |
| 5.1 实验环境 | 第41-48页 |
| 5.1.1 集群搭建 | 第41-42页 |
| 5.1.2 集群搭建过程 | 第42-44页 |
| 5.1.3 数据集来源 | 第44-46页 |
| 5.1.4 数据采集与统计方法 | 第46-47页 |
| 5.1.5 Mahout运行算法 | 第47-48页 |
| 5.2 实验验证 | 第48-53页 |
| 5.2.1 熵值算法的有效性 | 第48-49页 |
| 5.2.2 异常流量算法对比实验 | 第49-52页 |
| 5.2.3 多维熵支持向量SVDD算法有效性 | 第52-53页 |
| 5.2.4 异常流量实时响应算法与贝叶斯网络精度优化对比 | 第53页 |
| 5.3 本章小结 | 第53-54页 |
| 第六章 总结与展望 | 第54-56页 |
| 6.1 本文主要研究工作总结 | 第54-55页 |
| 6.2 展望 | 第55-56页 |
| 参考文献 | 第56-60页 |
| 发表论文和科研情况说明 | 第60-61页 |
| 致谢 | 第61页 |