基于机器学习的网络流量分析研究
| 第1章 引言 | 第1-20页 |
| ·课题背景和意义 | 第10-11页 |
| ·流量分析的研究现状 | 第11-17页 |
| ·不同层面的流量分析 | 第11-12页 |
| ·面向网络流量建模的研究 | 第12-14页 |
| ·面向具体应用的流量分析 | 第14-17页 |
| ·主要研究机构 | 第17页 |
| ·本论文的研究内容 | 第17-18页 |
| ·章节安排 | 第18-20页 |
| 第2章 基于机器学习的网络流量分析概念模型 | 第20-27页 |
| ·网络流量分析的特点 | 第20页 |
| ·基于机器学习的流量分析概念模型 | 第20-26页 |
| ·概念模型 | 第21-22页 |
| ·网络流量分析中的两类学习问题 | 第22-23页 |
| ·两类学习算法 | 第23-26页 |
| ·本章小结 | 第26-27页 |
| 第3章 基于机器学习的网络流量预测算法研究 | 第27-47页 |
| ·引言 | 第27-29页 |
| ·预测问题定义 | 第27-28页 |
| ·两种建模方式 | 第28-29页 |
| ·分类模型下基于核的流量预测算法 | 第29-30页 |
| ·回归模型下基于Boosting 的流量预测算法 | 第30-35页 |
| ·算法流程 | 第30-31页 |
| ·预处理过程 | 第31页 |
| ·设计弱回归算子 | 第31-32页 |
| ·评价样本的误差信息 | 第32页 |
| ·计算回归算子的误差及其重要性 | 第32-33页 |
| ·更新权重分布 | 第33-34页 |
| ·算法终止准则 | 第34-35页 |
| ·组合弱回归算子输出 | 第35页 |
| ·分类模型下基于Boosting 的流量预测算法 | 第35-37页 |
| ·实验结果及分析 | 第37-45页 |
| ·实验设计 | 第37-38页 |
| ·实验结果和分析 | 第38-45页 |
| ·本章小结 | 第45-47页 |
| 第4章 基于机器学习的异常网络流量检测算法研究 | 第47-63页 |
| ·引言 | 第47-49页 |
| ·问题定义 | 第47-48页 |
| ·评价指标 | 第48-49页 |
| ·基于核主成分分析的异常流量检测算法 | 第49-52页 |
| ·符号定义 | 第49-50页 |
| ·算法流程 | 第50-52页 |
| ·基于Boosting 的异常流量检测算法 | 第52-55页 |
| ·算法流程 | 第52-53页 |
| ·设计弱学习算法 | 第53-54页 |
| ·评价样本的误差信息 | 第54-55页 |
| ·算法其他细节设计 | 第55页 |
| ·实验结果及分析 | 第55-61页 |
| ·实验设计 | 第55-57页 |
| ·基于核主成分分析的实验结果和分析 | 第57-59页 |
| ·基于Boosting 的实验结果和分析 | 第59-61页 |
| ·本章小结 | 第61-63页 |
| 第5章 结论 | 第63-65页 |
| ·论文工作总结 | 第63-64页 |
| ·可以继续的工作 | 第64-65页 |
| 参考文献 | 第65-71页 |
| 致谢及声明 | 第71-72页 |
| 个人简历、在学期间发表的学术论文与研究成果 | 第72-74页 |
