| 摘要 | 第4-5页 |
| abstract | 第5页 |
| 第一章 绪论 | 第8-17页 |
| 1.1 研究背景 | 第8-11页 |
| 1.2 国内外研究现状 | 第11-15页 |
| 1.2.1 网络流分类方法 | 第11-12页 |
| 1.2.2 网络业务 | 第12-13页 |
| 1.2.3 网络业务流分类研究现状 | 第13-14页 |
| 1.2.4 特征选择方法研究现状 | 第14-15页 |
| 1.3 本文主要工作和论文结构 | 第15-17页 |
| 第二章 网络流分类相关理论简介 | 第17-27页 |
| 2.1 网络流简介 | 第17页 |
| 2.2 基于机器学习的流分类方法 | 第17-20页 |
| 2.2.1 有监督分类方法 | 第17-18页 |
| 2.2.2 无监督分类方法 | 第18-19页 |
| 2.2.3 半监督分类方法 | 第19页 |
| 2.2.4 深度学习分类方法 | 第19-20页 |
| 2.3 网络流分类评价指标 | 第20-21页 |
| 2.4 特征选择方法简介 | 第21-23页 |
| 2.4.1 特征选择流程 | 第21页 |
| 2.4.2 特征选择的搜索策略 | 第21-22页 |
| 2.4.3 特征选择的评价函数 | 第22-23页 |
| 2.5 K-近邻分类算法 | 第23-24页 |
| 2.6 深层神经网络 | 第24-26页 |
| 2.7 本章小结 | 第26-27页 |
| 第三章 新型多目标自适应演化特征选择方法 | 第27-35页 |
| 3.1 信息增益率 | 第27页 |
| 3.2 多目标演算法ENORA | 第27-29页 |
| 3.3 新型多目标自适应演化算法GR-MAEA | 第29-31页 |
| 3.4 实验及结果 | 第31-34页 |
| 3.4.1 数据集 | 第31-32页 |
| 3.4.2 实验结果及分析 | 第32-34页 |
| 3.5 本章小结 | 第34-35页 |
| 第四章 网络业务流特征选择及GR-MAEA收敛性分析 | 第35-46页 |
| 4.1 网络业务流数据获取与预处理 | 第35-37页 |
| 4.2 特征分析 | 第37-41页 |
| 4.2.1 网络业务流QoS统计特征 | 第37-38页 |
| 4.2.2 常用统计特征分析 | 第38-41页 |
| 4.3 特征分析与选择 | 第41-44页 |
| 4.4 GR-MAEA算法收敛性分析 | 第44-45页 |
| 4.5 本章小结 | 第45-46页 |
| 第五章 网络业务流多层KNN分类及深度学习分类实验 | 第46-54页 |
| 5.1 实验Ⅰ多层KNN分类 | 第46-50页 |
| 5.1.1 实验设计 | 第46页 |
| 5.1.2 多层KNN分类 | 第46-48页 |
| 5.1.3 实验结果 | 第48-50页 |
| 5.2 实验Ⅱ深度学习分类 | 第50-53页 |
| 5.2.1 实验平台 | 第50-51页 |
| 5.2.2 实验结果 | 第51-53页 |
| 5.3 本章小结 | 第53-54页 |
| 第六章 总结与展望 | 第54-56页 |
| 6.1 总结 | 第54-55页 |
| 6.2 展望 | 第55-56页 |
| 参考文献 | 第56-60页 |
| 附录1 攻读硕士学位期间撰写的论文 | 第60-61页 |
| 附录2 攻读硕士学位期间申请的专利 | 第61-62页 |
| 致谢 | 第62页 |