基于机器学习方法的网络流量分类研究
| 中文摘要 | 第1-5页 |
| 英文摘要 | 第5-10页 |
| 第一章 绪论 | 第10-17页 |
| ·网络流量分类概述 | 第10-13页 |
| ·传统的网络流量分类方法 | 第10-12页 |
| ·基于机器学习的网络流量分类 | 第12-13页 |
| ·网络流量分类的研究现状 | 第13-14页 |
| ·传统网络流量分类方法的研究现状 | 第13页 |
| ·基于机器学习的网络流量分类研究现状 | 第13-14页 |
| ·文章的研究内容 | 第14-16页 |
| ·网络流量样本集采集与特征产生研究 | 第14-15页 |
| ·基于机器学习分类方法研究 | 第15-16页 |
| ·文章的组织结构 | 第16-17页 |
| 第二章 网络流量样本集采集与特征产生 | 第17-29页 |
| ·捕获网络流量 | 第17-20页 |
| ·WinPcap 介绍 | 第17-18页 |
| ·捕获方法 | 第18-20页 |
| ·数据集 | 第20页 |
| ·网络流及候选特征的形成 | 第20-24页 |
| ·报文分类为流 | 第20-21页 |
| ·网络流候选特征 | 第21-24页 |
| ·流量样本自动标识 | 第24-28页 |
| ·小结 | 第28-29页 |
| 第三章 网络流量特征选择 | 第29-37页 |
| ·特征选择概述 | 第29-32页 |
| ·特征选择算法介绍 | 第30-31页 |
| ·特征选择研究现状分析 | 第31-32页 |
| ·一种基于特征距离与遗传算法的特征选择方法 | 第32-34页 |
| ·实验分析 | 第34-36页 |
| ·小结 | 第36-37页 |
| 第四章 基于机器学习方法的网络流量分类 | 第37-52页 |
| ·机器学习研究概述 | 第37-39页 |
| ·机器学习算法介绍 | 第39-46页 |
| ·C4.5 决策树 | 第39-40页 |
| ·多层感知机(MLP) | 第40页 |
| ·朴素贝叶斯 | 第40-42页 |
| ·贝叶斯网络 | 第42页 |
| ·朴素贝叶斯树 | 第42页 |
| ·支持向量机 | 第42-46页 |
| ·实验 | 第46-51页 |
| ·实验方法 | 第46-47页 |
| ·实验结果和分析 | 第47-51页 |
| ·小结 | 第51-52页 |
| 第五章 网络流量分类系统设计及实现 | 第52-64页 |
| ·系统的整体框架 | 第52页 |
| ·流量采集子系统 | 第52-56页 |
| ·流量分析子系统 | 第56-62页 |
| ·流量分类子系统 | 第62-63页 |
| ·小结 | 第63-64页 |
| 第六章 总结及展望 | 第64-66页 |
| ·总结 | 第64页 |
| ·进一步的研究工作 | 第64-66页 |
| 参考文献 | 第66-70页 |
| 攻读硕士学位期间参与的科研项目及发表的论文 | 第70-71页 |
| 致谢 | 第71页 |
