基于混合模式的网络流量优化
| 中文摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第10-21页 |
| 1.1 课题研究背景 | 第10-11页 |
| 1.2 研究的目的与意义 | 第11-12页 |
| 1.3 国内外研究现状 | 第12-18页 |
| 1.3.1 基于端口识别方法 | 第13页 |
| 1.3.2 基于深度数据包检测方法 | 第13-14页 |
| 1.3.3 基于统计学习的分类方法 | 第14-15页 |
| 1.3.4 研究方法的演进 | 第15-16页 |
| 1.3.5 研究方法的比较与分析 | 第16-18页 |
| 1.4 本文主要研究内容 | 第18-19页 |
| 1.5 本文结构和安排 | 第19-21页 |
| 第二章 相关工作及存在问题 | 第21-30页 |
| 2.1 现有的流量特征属性 | 第21-22页 |
| 2.2 现有的特征选择技术 | 第22-25页 |
| 2.2.1 信息增益 | 第23页 |
| 2.2.2 增益率 | 第23-24页 |
| 2.2.3 主成分分析 | 第24页 |
| 2.2.4 基于相关性的特征选择 | 第24页 |
| 2.2.5 卡方检验 | 第24-25页 |
| 2.2.6 基于一致性的搜索 | 第25页 |
| 2.3 特征选择技术的评估标准 | 第25-28页 |
| 2.3.1 优度评估 | 第26页 |
| 2.3.2 稳定性评估 | 第26-27页 |
| 2.3.3 相似性评估 | 第27-28页 |
| 2.4 目前存在问题 | 第28-29页 |
| 2.5 本章小结 | 第29-30页 |
| 第三章 基于量纲分析法的特征集规约 | 第30-42页 |
| 3.1 特征集的背景知识 | 第30-31页 |
| 3.2 量纲分析法的概念 | 第31-33页 |
| 3.2.1 量纲 | 第31-32页 |
| 3.2.2 Π定理 | 第32-33页 |
| 3.3 特征集单位制 | 第33-34页 |
| 3.4 应用及证明 | 第34-39页 |
| 3.5 规约化的评估验证 | 第39-40页 |
| 3.6 规约化的优势 | 第40-41页 |
| 3.7 本章小结 | 第41-42页 |
| 第四章 基于混合模式的分布式流量分类平台 | 第42-58页 |
| 4.1 混合模式 | 第42-44页 |
| 4.1.1 流量混合技术 | 第42-43页 |
| 4.1.2 流量混合技术的优势 | 第43-44页 |
| 4.2 分布式流量分类平台 | 第44-51页 |
| 4.2.1 Hadoop 集群 | 第45-48页 |
| 4.2.2 Balance 服务器 | 第48页 |
| 4.2.3 功能模块 | 第48-49页 |
| 4.2.4 拓扑结构 | 第49-50页 |
| 4.2.5 执行过程 | 第50-51页 |
| 4.3 核心调度算法 | 第51-56页 |
| 4.3.1 常见的均衡调度算法 | 第51-52页 |
| 4.3.2 改进的均衡调度算法 | 第52-55页 |
| 4.3.3 算法比较与分析 | 第55-56页 |
| 4.4 分布式平台的优势 | 第56-57页 |
| 4.5 本章小结 | 第57-58页 |
| 第五章 实验结果与分析 | 第58-66页 |
| 5.1 实验环境 | 第58-59页 |
| 5.1.1 硬件环境 | 第58页 |
| 5.1.2 软件环境 | 第58-59页 |
| 5.2 网络流量数据集 | 第59页 |
| 5.3 评价指标 | 第59-60页 |
| 5.4 实验方法 | 第60-65页 |
| 5.4.1 基于 DPI 的方法 | 第61页 |
| 5.4.2 基于 DPI 和 ML 的混合方法 | 第61-62页 |
| 5.4.3 基于混合模式的流量分类方法 | 第62-63页 |
| 5.4.4 比较与分析 | 第63-65页 |
| 5.5 本章小结 | 第65-66页 |
| 第六章 总结与展望 | 第66-68页 |
| 6.1 本文总结 | 第66-67页 |
| 6.2 后续工作展望 | 第67-68页 |
| 参考文献 | 第68-72页 |
| 致谢 | 第72-73页 |
