基于深度学习的SDN应用识别研究
| 摘要 | 第2-4页 |
| ABSTRACT | 第4-5页 |
| 1 绪论 | 第12-21页 |
| 1.1 研究背景及意义 | 第12-13页 |
| 1.2 国内外研究现状 | 第13-17页 |
| 1.2.1 应用识别研究现状 | 第13-15页 |
| 1.2.2 SDN应用识别研究现状 | 第15-17页 |
| 1.3 论文主要研究内容及创新点 | 第17-19页 |
| 1.3.1 主要研究内容 | 第17-19页 |
| 1.3.2 创新点 | 第19页 |
| 1.4 论文组织结构 | 第19-21页 |
| 2 相关技术研究 | 第21-42页 |
| 2.1 SDN相关技术 | 第21-24页 |
| 2.1.1 SDN的概念 | 第21-22页 |
| 2.1.2 SDN网络架构 | 第22-24页 |
| 2.2 流量应用识别方法研究 | 第24-30页 |
| 2.2.1 流量的定义与属性 | 第24-25页 |
| 2.2.2 常用的应用识别方法 | 第25-28页 |
| 2.2.3 常用的深度学习方法 | 第28-30页 |
| 2.3 堆叠去噪自动编码器 | 第30-35页 |
| 2.3.1 自动编码器 | 第30-32页 |
| 2.3.2 去噪自动编码器 | 第32-33页 |
| 2.3.3 堆叠去噪自动编码器 | 第33-35页 |
| 2.4 最小二乘支持向量机 | 第35-41页 |
| 2.4.1 支持向量机 | 第35-37页 |
| 2.4.2 核函数 | 第37-39页 |
| 2.4.3 最小二乘向量机 | 第39-41页 |
| 2.5 本章小结 | 第41-42页 |
| 3 基于深度学习的SDN应用识别框架研究 | 第42-48页 |
| 3.1 应用识别当前瓶颈问题 | 第42-44页 |
| 3.2 SDN应用识别框架设计 | 第44-46页 |
| 3.3 SDN应用识别框架运行机制 | 第46-47页 |
| 3.4 本章小结 | 第47-48页 |
| 4 SDN应用识别模型研究 | 第48-58页 |
| 4.1 SDN应用识别模块设计 | 第48-49页 |
| 4.2 SDN应用识别模型构建 | 第49-54页 |
| 4.2.1 SdA-LSSVM模型结构 | 第49-52页 |
| 4.2.2 基于SdA-LSSVM的应用识别 | 第52-54页 |
| 4.3 SdA-LSSVM模型的改进 | 第54-57页 |
| 4.3.1 粒子群优化算法原理 | 第55-56页 |
| 4.3.2 粒子群优化LSSVM | 第56-57页 |
| 4.4 本章小结 | 第57-58页 |
| 5 模型验证与结果分析 | 第58-69页 |
| 5.1 实验环境 | 第58页 |
| 5.2 实验数据集 | 第58-60页 |
| 5.2.1 数据预处理 | 第58-59页 |
| 5.2.2 数据集组成 | 第59-60页 |
| 5.3 实验评价标准 | 第60-61页 |
| 5.4 实验结果分析与对比 | 第61-67页 |
| 5.4.1 不同网络结构对比 | 第62-65页 |
| 5.4.2 不同深度学习模型的对比 | 第65-67页 |
| 5.4.3 不同参数优化算法对比 | 第67页 |
| 5.5 本章小结 | 第67-69页 |
| 6 总结与展望 | 第69-71页 |
| 6.1 总结 | 第69-70页 |
| 6.2 展望 | 第70-71页 |
| 参考文献 | 第71-74页 |
| 本文作者硕士期间取得的成果 | 第74-75页 |
| 致谢 | 第75-76页 |
