| 摘要 | 第1-6页 |
| Abstract | 第6-8页 |
| 目录 | 第8-11页 |
| 图目录 | 第11-13页 |
| 表目录 | 第13-14页 |
| 缩略语对照表 | 第14-16页 |
| 第一章 绪论 | 第16-20页 |
| ·课题研究背景及研究意义 | 第16-18页 |
| ·课题的研究目标和研究内容 | 第18-19页 |
| ·论文的组织结构 | 第19-20页 |
| 第二章 IP网络业务识别方法的研究现状与发展动态 | 第20-32页 |
| ·IP网络流量特点 | 第20-23页 |
| ·传统IP网络业务 | 第20页 |
| ·网络新业务 | 第20-21页 |
| ·宽带网络运营现状 | 第21-22页 |
| ·宽带运营面临的主要问题 | 第22-23页 |
| ·IP网络业务识别方法的研究现状 | 第23-30页 |
| ·端口分析法 | 第24-25页 |
| ·DPI流识别方法 | 第25-26页 |
| ·深度流检测（DFI）方法 | 第26-27页 |
| ·基于机器学习的流量统计特性方法 | 第27-29页 |
| ·其他识别方法 | 第29-30页 |
| ·IP网络业务识别方法的对比 | 第30-32页 |
| ·DPI和DFI对比 | 第30页 |
| ·其他流量识别方法比较 | 第30-32页 |
| 第三章 基于多识别引擎的IP网络业务识别模型 | 第32-46页 |
| ·识别模型 | 第32-37页 |
| ·模型应用-基于DPI和SAT技术的QQ语音业务识别方法 | 第37-46页 |
| ·腾讯业务的通信机制研究 | 第37-39页 |
| ·基于DPI和ISA智能会话关联技术的腾讯语音业务识别算法 | 第39-46页 |
| 第四章 基于决策树模型的业务识别方法研究 | 第46-76页 |
| ·数据挖掘技术在业务识别中的应用 | 第46页 |
| ·机器学习算法概述 | 第46-49页 |
| ·基于机器学习的IP网络业务识别方法 | 第47页 |
| ·机器学习-分类分析方法 | 第47-48页 |
| ·机器学习-聚类分析方法 | 第48-49页 |
| ·分类分析方法 | 第49-55页 |
| ·决策树模型 | 第49页 |
| ·朴素贝叶斯算法 | 第49-50页 |
| ·贝叶斯网络 | 第50-52页 |
| ·随机森林 | 第52页 |
| ·K-最近邻 | 第52-53页 |
| ·SVM支持向量机 | 第53-55页 |
| ·基于决策树模型的业务识别方法 | 第55-76页 |
| ·决策树模型详述 | 第55-57页 |
| ·决策树基本思想 | 第57-58页 |
| ·决策树处理分类问题过程 | 第58-59页 |
| ·C4.5 算法的分类模型 | 第59-60页 |
| ·决策树属性选择策略 | 第60-63页 |
| ·决策树的构建 | 第63-64页 |
| ·决策树的修剪 | 第64页 |
| ·决策树的模型评估方法 | 第64-65页 |
| ·实验验证 | 第65-76页 |
| 第五章 业务识别方法在IP骨干网中的应用 | 第76-83页 |
| ·带宽管理和流量控制 | 第76-77页 |
| ·串联流量控制 | 第76页 |
| ·并联流量控制 | 第76-77页 |
| ·流量和用户行为分析 | 第77-83页 |
| ·总体概述 | 第77-78页 |
| ·典型部署 | 第78-83页 |
| 第六章 总结和展望 | 第83-85页 |
| 参考文献 | 第85-98页 |
| 附录一 攻读博士学位期间发表和录用的学术论文目录 | 第98-99页 |
| 附录二 攻读博士学位期间参加的主要科研项目 | 第99-100页 |
| 致谢 | 第100页 |