| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 第1章 绪论 | 第13-36页 |
| 1.1 研究背景和研究意义 | 第13-18页 |
| 1.2 国内外研究状况和进展 | 第18-33页 |
| 1.2.1 网络协议识别技术概述 | 第18-24页 |
| 1.2.2 协议识别方法的评估标准 | 第24-26页 |
| 1.2.3 复杂应用识别技术概述 | 第26-33页 |
| 1.3 研究目标和研究内容 | 第33-34页 |
| 1.4 课题来源、主要工作和创新点 | 第34页 |
| 1.4.1 课题来源 | 第34页 |
| 1.4.2 主要工作和创新点 | 第34页 |
| 1.5 论文组织结构及内容安排 | 第34-36页 |
| 第2章 基于流感知的复杂应用识别方法 | 第36-60页 |
| 2.1 复杂应用定义及特性 | 第36-47页 |
| 2.1.1 复杂应用的定义 | 第36-37页 |
| 2.1.2 复杂应用的通信过程 | 第37-41页 |
| 2.1.3 流感知模型(Traffic-Aware Model) | 第41-47页 |
| 2.2 基于流感知模型的复杂应用识别方法 | 第47-55页 |
| 2.2.1 新型DTable结构 | 第47-49页 |
| 2.2.2 基于流感知的复杂应用识别方法 | 第49-55页 |
| 2.3 实验评估 | 第55-59页 |
| 2.3.1 实验环境 | 第55-56页 |
| 2.3.2 实验结果及评估 | 第56-59页 |
| 2.4 本章小结 | 第59-60页 |
| 第3章 大规模网络环境下复杂应用识别 | 第60-79页 |
| 3.1 大规模网络环境的识别精确率分析 | 第60-69页 |
| 3.1.1 问题发现 | 第60-65页 |
| 3.1.2 问题分析 | 第65-67页 |
| 3.1.3 大规模网络环境的流量特性 | 第67-69页 |
| 3.2 基于MinMax原则分类器集成的SAIMM方法 | 第69-78页 |
| 3.2.1 设计思想 | 第70-71页 |
| 3.2.2 复杂应用识别改进算法SAIMM | 第71-75页 |
| 3.2.3 实验评估 | 第75-78页 |
| 3.3 本章小结 | 第78-79页 |
| 第4章 基于网络流场的复杂应用数据挖掘 | 第79-99页 |
| 4.1 网络流场 | 第79-87页 |
| 4.1.1 网络空间的定义及特性 | 第80页 |
| 4.1.2 节点的定义及特性 | 第80-82页 |
| 4.1.3 通信行为的定义及特性 | 第82-83页 |
| 4.1.4 网络流场的定义及指标 | 第83-87页 |
| 4.2 基于网络流场的数据挖掘 | 第87-89页 |
| 4.3 私有网络挖掘实例 | 第89-98页 |
| 4.3.1 集中式网络流场 | 第89-90页 |
| 4.3.2 关联式网络流场 | 第90-92页 |
| 4.3.3 分布式网络流场 | 第92-93页 |
| 4.3.4 分布交互式网络流场 | 第93-98页 |
| 4.4 本章小结 | 第98-99页 |
| 第5章 复杂应用识别与分析系统SpiderWeb | 第99-108页 |
| 5.1 SpiderWeb系统实现 | 第99-104页 |
| 5.1.1 系统架构 | 第99-102页 |
| 5.1.2 处理流程 | 第102-103页 |
| 5.1.3 系统部署 | 第103-104页 |
| 5.2 SpiderWeb系统测试 | 第104-107页 |
| 5.2.1 系统捕包性能 | 第104-105页 |
| 5.2.2 系统识别性能 | 第105-106页 |
| 5.2.3 系统存储性能 | 第106-107页 |
| 5.3 本章小结 | 第107-108页 |
| 结论 | 第108-110页 |
| 参考文献 | 第110-120页 |
| 攻读博士学位期间所发表的学术论文 | 第120-122页 |
| 致谢 | 第122-123页 |