| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 专用术语注释表 | 第10-11页 |
| 第一章 绪论 | 第11-20页 |
| 1.1 课题的研究背景 | 第11-12页 |
| 1.2 P2P技术的发展现状 | 第12-14页 |
| 1.2.1 P2P技术的应用 | 第12-13页 |
| 1.2.2 P2P务特征 | 第13-14页 |
| 1.3 课题的研究意义 | 第14-17页 |
| 1.4 本课题研究目标和内容 | 第17-18页 |
| 1.5 论文组织方式 | 第18-20页 |
| 第二章 P2P流量识别技术的研究综述 | 第20-31页 |
| 2.1 端口识别法 | 第20-21页 |
| 2.2 应用层特征识别法 | 第21-23页 |
| 2.3 基于流量特征的识别方法 | 第23-25页 |
| 2.4 基于机器学习的P2P流量识别技术 | 第25-26页 |
| 2.5 基于SVM的P2P流量识别法 | 第26-28页 |
| 2.6 研究现状的总结 | 第28-30页 |
| 2.7 本章小结 | 第30-31页 |
| 第三章 基于区间估计的惩罚因子优化法的P2P流量识别 | 第31-48页 |
| 3.1 支持向量机理论概述 | 第31-38页 |
| 3.1.1 线性可分和线性不可分的分类面 | 第32-35页 |
| 3.1.2 SVM的非线性映射 | 第35-36页 |
| 3.1.3 支持向量机的核函数 | 第36-38页 |
| 3.2 SVM算法中的核函数参数 | 第38-40页 |
| 3.2.1 核函数参数的作用 | 第38-39页 |
| 3.2.2 惩罚参数C的意义 | 第39-40页 |
| 3.3 一种基于区间估计的惩罚因子寻优法PFOMIE | 第40-44页 |
| 3.3.1 基本定义 | 第41页 |
| 3.3.2 基于区间估计的C值初步搜索 | 第41-42页 |
| 3.3.3 基于区间估计的C值精搜 | 第42-43页 |
| 3.3.4 改进后的算法性能分析 | 第43-44页 |
| 3.4 基于PFOMIE算法的P2P流量识别仿真实验 | 第44-47页 |
| 3.4.1 数据处理 | 第44-45页 |
| 3.4.2 数据分析 | 第45-46页 |
| 3.4.3 惩罚因子C对识别P2P流的分类性能影响 | 第46-47页 |
| 3.5 本章小结 | 第47-48页 |
| 第四章 基于黄金分割的参数优法在P2P流量识别中的应用 | 第48-62页 |
| 4.1 高斯径向基函数中参数寻优法的研究现状 | 第48-51页 |
| 4.2 一种基于黄金分割的参数寻优算法(POMGS) | 第51-54页 |
| 4.2.1 基于黄金分割的参数优化算法的设计基础 | 第51-52页 |
| 4.2.2 基于黄金分割的参数优化算法的实现 | 第52-54页 |
| 4.3 基于POMGS的P2P流量识别的仿真实验 | 第54-60页 |
| 4.3.1 基于POMGS算法的P2P流量识别算法的设计 | 第54-55页 |
| 4.3.2 数据准备 | 第55页 |
| 4.3.3 数据分析 | 第55-56页 |
| 4.3.4 基于POMGS算法的P2P流量识别验证 | 第56-60页 |
| 4.4 本章小结 | 第60-62页 |
| 第五章 基于多分类的增量学习算法的P2P流量识别方法 | 第62-83页 |
| 5.1 SVM增量学习算法的基本理论 | 第62-63页 |
| 5.2 SVM的增量学习算法的相关研究 | 第63-65页 |
| 5.3 一种多分类的SVM增量学习算法 | 第65-73页 |
| 5.3.1 多分类的结构概述 | 第65-67页 |
| 5.3.2 改进的有向无环图结构的理论基础 | 第67-71页 |
| 5.3.3 MCISVM增量学习算法 | 第71-72页 |
| 5.3.4 改进后的SVM的增量学习算法性能分析 | 第72-73页 |
| 5.4 MCISVM算法在P2P流量识别中的应用 | 第73-81页 |
| 5.4.1 MCISVM算法的设计 | 第73页 |
| 5.4.2 MCISVM算法的性能指标测试 | 第73-75页 |
| 5.4.3 本文的MCISVM算法对P2P流量识别的测试 | 第75-81页 |
| 5.5 本章小结 | 第81-83页 |
| 第六章 基于优化SVM的P2P流量识别系统的设计与实现 | 第83-100页 |
| 6.1 整个识别模型的设计策略 | 第83-84页 |
| 6.2 基于SVM的P2P流量分类模型 | 第84-90页 |
| 6.2.1 特征选择定义 | 第84-85页 |
| 6.2.2 网络抓包分析模块 | 第85-86页 |
| 6.2.3 流特征提取模块 | 第86页 |
| 6.2.4 数据预处理模块 | 第86-87页 |
| 6.2.5 增量算法反馈模块设计 | 第87-88页 |
| 6.2.6 基于优化的SVM的P2P流量识别算法设计 | 第88-90页 |
| 6.3 基于SVM的P2P流量识别系统的实现与验证 | 第90-98页 |
| 6.3.1 实验的软硬件环境 | 第90页 |
| 6.3.2 基于SVM的P2P流量识别系统功能验证 | 第90-93页 |
| 6.3.3 基于SVM的P2P流量识别系统的性能验证 | 第93-98页 |
| 6.4 本章小结 | 第98-100页 |
| 第七章 总结与展望 | 第100-102页 |
| 7.1 本文工作总结 | 第100-101页 |
| 7.2 下一步工作展望 | 第101-102页 |
| 参考文献 | 第102-108页 |
| 附录1 攻读博士学位期间撰写的论文 | 第108-109页 |
| 附录2 攻读博士学位期间申请的专利 | 第109-110页 |
| 附录3 攻读博士学位期间参加的科研项目 | 第110-111页 |
| 致谢 | 第111页 |
