| 摘要 | 第2-4页 |
| ABSTRACT | 第4-5页 |
| 1 绪论 | 第12-21页 |
| 1.1 研究背景及意义 | 第12-14页 |
| 1.2 国内外研究现状 | 第14-17页 |
| 1.2.1 网络应用分类研究 | 第15-17页 |
| 1.2.2 网络用户行为分析 | 第17页 |
| 1.3 主要研究内容 | 第17-18页 |
| 1.4 研究贡献及创新点 | 第18-19页 |
| 1.5 论文结构 | 第19-21页 |
| 2 网络流量分类常用方法 | 第21-26页 |
| 2.1 基于端口号匹配法 | 第21-22页 |
| 2.2 基于负载匹配法 | 第22-23页 |
| 2.3 基于主机行为法 | 第23页 |
| 2.4 基于机器学习法 | 第23-25页 |
| 2.5 本章小结 | 第25-26页 |
| 3 深度学习及其常用模型 | 第26-35页 |
| 3.1 深度学习基本原理 | 第26页 |
| 3.2 常用深度学习模型 | 第26-34页 |
| 3.2.1 反向传播神经网络 | 第26-28页 |
| 3.2.2 卷积神经网络 | 第28-30页 |
| 3.2.3 递归神经网络 | 第30-32页 |
| 3.2.4 深度信念网络 | 第32-34页 |
| 3.3 本章小结 | 第34-35页 |
| 4 基于深度学习的网络应用分类模型的实现与分析 | 第35-54页 |
| 4.1 网络应用分类模型的整体设计 | 第35-36页 |
| 4.2 模型的具体构建 | 第36-51页 |
| 4.2.1 实验环境及数据集 | 第38-41页 |
| 4.2.1.1 实验环境 | 第38-39页 |
| 4.2.1.2 实验数据 | 第39-41页 |
| 4.2.2 实验评价标准 | 第41-42页 |
| 4.2.3 TensorFlow建立模型 | 第42-51页 |
| 4.2.3.1 模型的建立 | 第43-46页 |
| 4.2.3.2 隐含层节点个数的确定 | 第46-49页 |
| 4.2.3.3 隐含层个数的确定 | 第49-51页 |
| 4.3 模型的实验结果与分析 | 第51-52页 |
| 4.4 本章小结 | 第52-54页 |
| 5 基于深度学习的网络用户身份识别模型的实现与分析 | 第54-73页 |
| 5.1 用户身份识别模型的整体设计 | 第54-55页 |
| 5.2 模型的具体构建 | 第55-71页 |
| 5.2.1 实验环境 | 第56页 |
| 5.2.2 实验数据集的构造 | 第56-63页 |
| 5.2.2.1 数据采集 | 第57-58页 |
| 5.2.2.2 数据预处理 | 第58-60页 |
| 5.2.2.3 实验数据集 | 第60-63页 |
| 5.2.3 实验评价标准 | 第63-64页 |
| 5.2.4 TensorFlow建立模型 | 第64-71页 |
| 5.2.4.1 模型的建立 | 第65-68页 |
| 5.2.4.2 隐含层节点个数的确定 | 第68-70页 |
| 5.2.4.3 隐含层个数的确定 | 第70-71页 |
| 5.3 模型的实验结果及分析 | 第71-72页 |
| 5.4 本章小结 | 第72-73页 |
| 6 总结与展望 | 第73-75页 |
| 6.1 论文总结 | 第73-74页 |
| 6.2 工作展望 | 第74-75页 |
| 参考文献 | 第75-81页 |
| 本文作者硕士期间取得的研究成果 | 第81-82页 |
| 致谢 | 第82-84页 |