| 摘要 | 第4-5页 |
| abstract | 第5页 |
| 第一章 绪论 | 第8-16页 |
| 1.1 研究背景 | 第8-10页 |
| 1.2 国内外研究现状 | 第10-13页 |
| 1.2.1 网络流识别方法研究现状 | 第11-12页 |
| 1.2.2 视频分类方法研究现状 | 第12页 |
| 1.2.3 特征选择方法方法研究现状 | 第12-13页 |
| 1.3 常见网络视频业务 | 第13-14页 |
| 1.4 本文主要工作和论文结构 | 第14-16页 |
| 第二章 网络流量分类相关理论简介 | 第16-27页 |
| 2.1 网络数据流定义 | 第16-17页 |
| 2.2 网络流量分类识别方法 | 第17-19页 |
| 2.2.1 基于端口的网络流量分类方法 | 第17页 |
| 2.2.2 基于深度包检测的网络流量分类方法 | 第17-18页 |
| 2.2.3 基于流统计特征的网络流量分类方法 | 第18-19页 |
| 2.3 分类评价指标 | 第19页 |
| 2.4 特征选择方法概述 | 第19-22页 |
| 2.4.1 特征选择流程 | 第20页 |
| 2.4.2 特征选择的搜索策略 | 第20-21页 |
| 2.4.3 特征选择的评价函数 | 第21-22页 |
| 2.5 常用的监督机器学习分类算法 | 第22-26页 |
| 2.5.1 支持向量机分类算法 | 第22-25页 |
| 2.5.2 K-近邻分类算法 | 第25-26页 |
| 2.6 本章小结 | 第26-27页 |
| 第三章 新型特征选择方法 | 第27-36页 |
| 3.1 ReliefF算法 | 第27-28页 |
| 3.2 粒子群优化算法 | 第28-30页 |
| 3.3 基于ReliefF和PSO的特征选择算法 | 第30-32页 |
| 3.4 实验及结果 | 第32-34页 |
| 3.4.1 实验数据集 | 第32页 |
| 3.4.2 实验结果及讨论 | 第32-34页 |
| 3.5 本章小结 | 第34-36页 |
| 第四章 网络视频业务特征选择与分析 | 第36-46页 |
| 4.1 视频业务流的QoS统计特征 | 第36-37页 |
| 4.2 包大小相关特征 | 第37-38页 |
| 4.3 包到达时间间隔相关特征 | 第38-39页 |
| 4.4 上下行字节数之比 | 第39-40页 |
| 4.5 下行字节速率 | 第40-41页 |
| 4.6 特征选择 | 第41-45页 |
| 4.6.1 四种典型网络视频业务 | 第41-43页 |
| 4.6.2 在线直播视频业务和在线非直播视频业务 | 第43-44页 |
| 4.6.3 三种清晰度在线视频 | 第44-45页 |
| 4.7 本章小结 | 第45-46页 |
| 第五章 基于多层SVM级联的网络视频业务流识别实验 | 第46-56页 |
| 5.1 实验设计 | 第46-47页 |
| 5.2 实验数据 | 第47-48页 |
| 5.3 多层SVM级联识别方案 | 第48-50页 |
| 5.4 实验Ⅰ 多层SVM级联分类模型性能的研究 | 第50-52页 |
| 5.5 实验Ⅱ RFPSO算法在视频业务上的性能研究 | 第52-55页 |
| 5.5.1 四种典型网络视频业务 | 第52-53页 |
| 5.5.2 两种在线网络视频业务 | 第53-54页 |
| 5.5.3 三种清晰度在线视频业务 | 第54-55页 |
| 5.5.4 结论 | 第55页 |
| 5.6 本章小结 | 第55-56页 |
| 第六章 总结与展望 | 第56-58页 |
| 6.1 总结 | 第56页 |
| 6.2 展望 | 第56-58页 |
| 参考文献 | 第58-61页 |
| 附录1 攻读硕士学位期间撰写的论文 | 第61-62页 |
| 附录2 攻读硕士学位期间申请的专利 | 第62-63页 |
| 致谢 | 第63页 |