| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第9-15页 |
| 1.1 研究的背景和意义 | 第9-10页 |
| 1.2 研究现状和分析 | 第10-13页 |
| 1.2.1 网络端口匹配 | 第10-11页 |
| 1.2.2 深度包检测技术 | 第11-12页 |
| 1.2.3 基于流行为特征的流量识别技术 | 第12-13页 |
| 1.2.4 基于用户行为的流量分类方法 | 第13页 |
| 1.3 论文主要工作 | 第13-14页 |
| 1.4 论文的组织结构 | 第14-15页 |
| 第二章 基于统计特征的分类方法综述 | 第15-23页 |
| 2.1 网络流特征 | 第15-16页 |
| 2.2 基于机器学习的流行为特征选择 | 第16-21页 |
| 2.2.1 机器学习 | 第17-20页 |
| 2.2.2 特征选择评价指标 | 第20-21页 |
| 2.3 基于机器学习的流量识别 | 第21-22页 |
| 2.4 本章总结 | 第22-23页 |
| 第三章 基于网络连接图的LOUVAIN算法的改进与应用 | 第23-33页 |
| 3.1 网络图社区结构 | 第23-24页 |
| 3.2 相关工作 | 第24-26页 |
| 3.2.1 Modularity模块度 | 第24-25页 |
| 3.2.2 Louvain算法 | 第25页 |
| 3.2.3 LPA算法 | 第25-26页 |
| 3.3 算法改进 | 第26-27页 |
| 3.4 实验及结果分析 | 第27-31页 |
| 3.5 本章总结 | 第31-33页 |
| 第四章 基于混合行为特征的流量分类技术研究 | 第33-45页 |
| 4.1 流量网络连接图 | 第33页 |
| 4.2 相关工作 | 第33-36页 |
| 4.2.1 复杂网络 | 第33-34页 |
| 4.2.2 图特征 | 第34-35页 |
| 4.2.3 随机森林算法 | 第35-36页 |
| 4.3 主机图连接行为特征模型 | 第36-38页 |
| 4.4 混合行为特征模型 | 第38-39页 |
| 4.5 基于随机森林算法的流量分类 | 第39-40页 |
| 4.6 实验及分析 | 第40-43页 |
| 4.6.1 分类效果评估 | 第40页 |
| 4.6.2 实验及结果分析 | 第40-43页 |
| 4.7 本章总结 | 第43-45页 |
| 第五章 基于SPARK的流量识别系统的设计实现 | 第45-59页 |
| 5.1 Spark大数据平台相关应用 | 第45-46页 |
| 5.2 需求分析 | 第46-47页 |
| 5.3 流量识别系统系统总体设计 | 第47-49页 |
| 5.3.1 体系结构 | 第47-48页 |
| 5.3.2 系统流程图 | 第48-49页 |
| 5.4 流量识别系统详细设计 | 第49-54页 |
| 5.4.1 总体框架 | 第49页 |
| 5.4.2 Web系统 | 第49-51页 |
| 5.4.3 数据预处理系统 | 第51-53页 |
| 5.4.4 数据分类系统 | 第53-54页 |
| 5.5 系统测试 | 第54-57页 |
| 5.5.1 测试环境 | 第55页 |
| 5.5.2 测试结果 | 第55-57页 |
| 5.6 本章总结 | 第57-59页 |
| 第六章 总结与展望 | 第59-61页 |
| 6.1 本文工作总结 | 第59页 |
| 6.2 展望 | 第59-61页 |
| 参考文献 | 第61-65页 |
| 致谢 | 第65-67页 |
| 攻读学位期间发表的学术论文 | 第67页 |