| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 目录 | 第8-11页 |
| 第1章 绪论 | 第11-15页 |
| 1.1 研究背景及意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-13页 |
| 1.3 本文的主要工作 | 第13-14页 |
| 1.4 本文的组织结构 | 第14-15页 |
| 第2章 相关技术 | 第15-31页 |
| 2.1 P2P概述 | 第15-20页 |
| 2.1.1 P2P的结构 | 第15-17页 |
| 2.1.2 P2P的特点 | 第17-19页 |
| 2.1.3 P2P的主要应用 | 第19-20页 |
| 2.2 P2P流量识别技术研究 | 第20-27页 |
| 2.2.1 端口识别技术 | 第20页 |
| 2.2.2 深层数据包检测(DPI)技术 | 第20-21页 |
| 2.2.3 基于机器学习的流量识别技术 | 第21-25页 |
| 2.2.4 基于网络行为的识别技术 | 第25-27页 |
| 2.2.5 P2P流量识别技术的比较 | 第27页 |
| 2.3 P2P流量识别面临的主要问题 | 第27-29页 |
| 2.4 本章小结 | 第29-31页 |
| 第3章 基于机器学习的流量识别技术研究 | 第31-47页 |
| 3.1 问题的提出 | 第31页 |
| 3.2 机器学习在流量识别中的实现过程 | 第31-36页 |
| 3.2.1 实验数据 | 第32-33页 |
| 3.2.2 属性选择 | 第33-34页 |
| 3.2.3 算法选择 | 第34页 |
| 3.2.4 评估策略 | 第34-36页 |
| 3.3 机器学习分类算法 | 第36-38页 |
| 3.3.1 决策树算法 | 第36页 |
| 3.3.2 贝叶斯算法 | 第36-37页 |
| 3.3.3 支持向量机 | 第37-38页 |
| 3.3.4 K最近邻算法 | 第38页 |
| 3.4 实验设计 | 第38-41页 |
| 3.4.1 实验数据与环境 | 第38-39页 |
| 3.4.2 属性选择算法 | 第39-40页 |
| 3.4.3 流量识别算法选择 | 第40-41页 |
| 3.5 实验结果与分析 | 第41-46页 |
| 3.5.1 属性子集的选择结果 | 第41-42页 |
| 3.5.2 各属性集对算法准确率的影响 | 第42-44页 |
| 3.5.3 建模时间与测试时间对比 | 第44-46页 |
| 3.5.4 实验总结 | 第46页 |
| 3.6 本章小结 | 第46-47页 |
| 第4章 基于决策树的P2P流量识别技术研究 | 第47-69页 |
| 4.1 P2P流量特征分析 | 第47-48页 |
| 4.2 P2P流量特征选择 | 第48-54页 |
| 4.2.1 平均数据包长度 | 第49-50页 |
| 4.2.2 TCP和UDP协议使用率 | 第50-51页 |
| 4.2.3 上下行网络流量比值 | 第51-53页 |
| 4.2.4 有效带宽 | 第53-54页 |
| 4.3 流量处理模块 | 第54-57页 |
| 4.3.1 功能模块概述 | 第54-55页 |
| 4.3.2 功能模块详细设计 | 第55-57页 |
| 4.4 P2P流量识别算法 | 第57-65页 |
| 4.4.1 基于Hoeffding树的VFDT算法原理 | 第58-59页 |
| 4.4.2 改进的VFDT算法设计 | 第59-65页 |
| 4.5 实验设计 | 第65-66页 |
| 4.5.1 实验数据 | 第65页 |
| 4.5.2 实验环境 | 第65-66页 |
| 4.5.3 实验过程 | 第66页 |
| 4.6 实验分析 | 第66-68页 |
| 4.6.1 性能测试 | 第66-67页 |
| 4.6.2 决策树模型 | 第67-68页 |
| 4.7 本章小结 | 第68-69页 |
| 第5章 总结与展望 | 第69-71页 |
| 5.1 本文工作总结 | 第69-70页 |
| 5.2 不足和展望 | 第70-71页 |
| 参考文献 | 第71-75页 |
| 致谢 | 第75页 |