移动互联网流量识别分类系统的设计与实现
| 摘要 | 第5-6页 |
| abstract | 第6页 |
| 第一章 绪论 | 第9-14页 |
| 1.1 研究背景与意义 | 第9-10页 |
| 1.2 研究内容 | 第10-11页 |
| 1.3 研究目标 | 第11-12页 |
| 1.4 主要贡献和创新 | 第12页 |
| 1.5 结构安排 | 第12-14页 |
| 第二章 相关技术与理论 | 第14-31页 |
| 2.1 移动互联网应用的通讯协议 | 第14-17页 |
| 2.1.1 协议简介 | 第14-15页 |
| 2.1.2 重要概念 | 第15-17页 |
| 2.2 移动互联网应用的识别与分类 | 第17-23页 |
| 2.2.1 应用标识 | 第17-18页 |
| 2.2.2 终端设备监控 | 第18-19页 |
| 2.2.3 应用指纹 | 第19-21页 |
| 2.2.4 回归法 | 第21-22页 |
| 2.2.5 规则挖掘 | 第22-23页 |
| 2.3 机器学习 | 第23-29页 |
| 2.3.1 分类与半监督学习 | 第23-24页 |
| 2.3.2 支持向量机算法 | 第24-28页 |
| 2.3.3 聚类算法 | 第28-29页 |
| 2.4 本章小结 | 第29-31页 |
| 第三章 特征选取与算法设计 | 第31-64页 |
| 3.1 移动互联网流量的特征提取研究 | 第31-34页 |
| 3.1.1 基于统计行为的特征分析 | 第31-32页 |
| 3.1.2 基于应答模式的特征分析 | 第32页 |
| 3.1.3 基于载荷信息的特征分析 | 第32-34页 |
| 3.2 核心算法的选取与改进 | 第34-43页 |
| 3.2.1 半监督SVM算法 | 第34-37页 |
| 3.2.2 遗传算法优化参数 | 第37-39页 |
| 3.2.3 基于S4VM的分类算法改进 | 第39-42页 |
| 3.2.4 层次聚类算法 | 第42-43页 |
| 3.2.5 基于AGNES的聚类算法的改进 | 第43页 |
| 3.3 基于机器学习的流量识别分类系统设计 | 第43-62页 |
| 3.3.1 系统方案设计 | 第44-49页 |
| 3.3.2 算法实现与代码分析 | 第49-59页 |
| 3.3.3 方案分析 | 第59-62页 |
| 3.4 本章小结 | 第62-64页 |
| 第四章 实验分析 | 第64-73页 |
| 4.1 算法参数的灵敏度分析 | 第64-65页 |
| 4.2 实验方案设计 | 第65-67页 |
| 4.3 数据集 | 第67页 |
| 4.4 基于S4VM的分类器识别验证 | 第67-69页 |
| 4.5 流分组效果验证 | 第69-70页 |
| 4.6 基于AGNES的聚类器效果验证 | 第70页 |
| 4.7 对比实验 | 第70-71页 |
| 4.8 实验结果分析 | 第71-72页 |
| 4.9 本章小结 | 第72-73页 |
| 第五章 总结与展望 | 第73-75页 |
| 致谢 | 第75-76页 |
| 参考文献 | 第76-81页 |
| 攻读硕士学位期间取得的成果 | 第81页 |
