| 摘要 | 第1-4页 |
| Abstract | 第4-7页 |
| 第一章 绪论 | 第7-11页 |
| ·研究背景和研究意义 | 第7-8页 |
| ·国内外研究现状 | 第8-9页 |
| ·论文的主要研究内容 | 第9页 |
| ·论文组织结构 | 第9-11页 |
| 第二章 网络流量分类模型 | 第11-19页 |
| ·网络流定义 | 第11页 |
| ·网络流量分类方法 | 第11-15页 |
| ·基于端口号的分类方法 | 第11-12页 |
| ·基于载荷检测的分类方法 | 第12-13页 |
| ·基于主机行为的分类方法 | 第13-14页 |
| ·基于机器学习的分类方法 | 第14-15页 |
| ·基于机器学习的网络流量分类方法 | 第15-19页 |
| ·机器学习介绍 | 第15页 |
| ·基于有监督学习的分类模型 | 第15-18页 |
| ·基于无监督学习的分类模型 | 第18-19页 |
| 第三章 基于 k-means 的网络流量分类模型 | 第19-27页 |
| ·k-means 聚类算法 | 第19-24页 |
| ·k-means 算法介绍 | 第19-20页 |
| ·k-means 算法分析 | 第20-24页 |
| ·基于 k-means 的网络流量分类算法 | 第24-27页 |
| 第四章 基于 k-means 和 LSA 的网络流量分类模型 | 第27-41页 |
| ·基于 k-means 和 LSA 的网络流量分类模型框架 | 第27-28页 |
| ·共同关键字提取算法 | 第28-30页 |
| ·潜在语义分析方法 | 第30-38页 |
| ·文本模型介绍 | 第31页 |
| ·潜在语义分析原理 | 第31-32页 |
| ·LSA 算法实现 | 第32-35页 |
| ·潜在语义分析方法举例 | 第35-38页 |
| ·簇汇聚算法 | 第38-39页 |
| ·小结 | 第39-41页 |
| 第五章 实验及结果分析 | 第41-49页 |
| ·数据集 | 第41-42页 |
| ·软件环境介绍 | 第42-44页 |
| ·实验参数介绍 | 第44-45页 |
| ·实验结果 | 第45-49页 |
| 第六章 总结与展望 | 第49-50页 |
| 致谢 | 第50-51页 |
| 参考文献 | 第51-55页 |
| 在读期间研究成果 | 第55-56页 |