| 摘要 | 第10-11页 |
| ABSTRACT | 第11页 |
| 第一章 绪论 | 第13-21页 |
| 1.1 课题背景与意义 | 第13-14页 |
| 1.2 国内外研究现状 | 第14-19页 |
| 1.2.1 基于端口的网络流量识别 | 第14-16页 |
| 1.2.2 基于深度包检测的流量识别 | 第16页 |
| 1.2.3 基于机器学习的流量识别 | 第16-19页 |
| 1.3 本文主要研究内容和创新点 | 第19-20页 |
| 1.4 本文组织结构 | 第20-21页 |
| 第二章 网络流量识别中不平衡数据问题分析 | 第21-37页 |
| 2.1 不平衡数据问题 | 第21-24页 |
| 2.1.1 不平衡样本的本质 | 第21-23页 |
| 2.1.2 造成不平衡样本分类问题原因 | 第23-24页 |
| 2.2 支持向量机概述 | 第24-30页 |
| 2.2.1 线性可分 | 第24-26页 |
| 2.2.2 对偶问题 | 第26页 |
| 2.2.3 线性不可分 | 第26-28页 |
| 2.2.4 多分类问题 | 第28-30页 |
| 2.3 基于SVM的网络流量数据不平衡性验证 | 第30-36页 |
| 2.3.1 Moore_set数据集 | 第30-32页 |
| 2.3.2 实验结果与分析 | 第32-36页 |
| 2.4 本章小结 | 第36-37页 |
| 第三章 基于数据层面的不平衡数据分类方法 | 第37-49页 |
| 3.1 问题引入 | 第37页 |
| 3.2 数据过采样技术 | 第37-39页 |
| 3.3 数据欠采样技术 | 第39-41页 |
| 3.4 SMOTE算法 | 第41-43页 |
| 3.4.1 SMOTE算法原理 | 第42页 |
| 3.4.2 SMOTE算法缺陷 | 第42-43页 |
| 3.5 邻近修改型NF-SMOTE算法 | 第43-46页 |
| 3.6 实验结果与分析 | 第46-48页 |
| 3.7 本章小结 | 第48-49页 |
| 第四章 基于算法层面的不平衡数据分类方法 | 第49-65页 |
| 4.1 问题引入 | 第49页 |
| 4.2 集成学习思想 | 第49-50页 |
| 4.3 单分类支持向量机 | 第50-56页 |
| 4.3.1 支持向量数据描述算法 | 第51-53页 |
| 4.3.2 One Class SVM | 第53-56页 |
| 4.4 基于应用业务类型的集成方法 | 第56-61页 |
| 4.4.1 方法总体框架 | 第57-58页 |
| 4.4.2 训练阶段 | 第58页 |
| 4.4.3 分类阶段 | 第58-61页 |
| 4.5 实验结果与分析 | 第61-64页 |
| 4.6 本章小节 | 第64-65页 |
| 第五章 基于Spark流处理的实时网络应用流量识别系统 | 第65-89页 |
| 5.1 系统总体设计 | 第65-67页 |
| 5.2 系统核心模块功能 | 第67-82页 |
| 5.2.1 数据归一化和降维 | 第67-69页 |
| 5.2.2 Spark | 第69-75页 |
| 5.2.3 Spark流式计算 | 第75-79页 |
| 5.2.4 Kafka流数据处理 | 第79-82页 |
| 5.2.5 MLlib库 | 第82页 |
| 5.3 原型系统效果展示 | 第82-88页 |
| 5.3.1 串行算法和并行算法训练时间对比 | 第83-84页 |
| 5.3.2 样本量扩展测试 | 第84-85页 |
| 5.3.3 系统节点扩展测试 | 第85页 |
| 5.3.4 集群环境下分类器准确率 | 第85-87页 |
| 5.3.5 性能调优 | 第87-88页 |
| 5.4 本章小结 | 第88-89页 |
| 第六章 总结与展望 | 第89-90页 |
| 6.1 总结 | 第89页 |
| 6.2 工作展望 | 第89-90页 |
| 致谢 | 第90-91页 |
| 参考文献 | 第91-95页 |
| 作者在学期间取得的学术成果 | 第95页 |