| 摘要 | 第1-5页 |
| ABSTRACT | 第5-9页 |
| 第一章 绪论 | 第9-15页 |
| ·研究背景及意义 | 第9页 |
| ·传统的网络流量识别方法 | 第9-11页 |
| ·基于贝叶斯学习的网络流量分类 | 第11-14页 |
| ·网络流量分类国内研究现状 | 第12页 |
| ·网络流量分类国外研究现状 | 第12-14页 |
| ·文章的组织结构 | 第14-15页 |
| 第二章 网络流量数据采集 | 第15-23页 |
| ·捕获网络流量 | 第15-18页 |
| ·网络数据包捕获的原理 | 第15-16页 |
| ·在windows 情况下捕获数据包的结构 | 第16页 |
| ·用winpcap 进行网络数据包的捕获和过滤的设计步骤 | 第16-17页 |
| ·数据集 | 第17-18页 |
| ·网络流及候选特征的形成 | 第18-21页 |
| ·网络流的定义 | 第18页 |
| ·网络流候选特征 | 第18-21页 |
| ·流量应用类型标识 | 第21-22页 |
| ·小结 | 第22-23页 |
| 第三章 网络流量特征选择 | 第23-31页 |
| ·特征选择算法概述 | 第23-24页 |
| ·特征相关性的评估标准 | 第24-25页 |
| ·基于FCBF(FAST CORRELATION-BASED FILTER)特征选择方法 | 第25-30页 |
| ·FCBF 特征选择算法理论依据 | 第25-27页 |
| ·FCBF 算法描述 | 第27-28页 |
| ·基于FCBF 特征选择实验 | 第28-30页 |
| ·小结 | 第30-31页 |
| 第四章 基于贝叶斯算法的网络流量分类 | 第31-47页 |
| ·贝叶斯理论概况 | 第31-33页 |
| ·贝叶斯定理 | 第31-32页 |
| ·极大后验假设和极大似然假设 | 第32页 |
| ·事件的独立性 | 第32-33页 |
| ·贝叶斯分类模型概述 | 第33-37页 |
| ·朴素贝叶斯学习方法 | 第33-34页 |
| ·Semi-Bayes 分类方法 | 第34-35页 |
| ·Tan 分类方法 | 第35-36页 |
| ·贝叶斯网分类方法 | 第36-37页 |
| ·基于 FCBF 特征选择的朴素贝叶斯分类模型 FNBS | 第37-39页 |
| ·FNBS 分类算法的理论依据 | 第37-38页 |
| ·FNBS 分类算法描述 | 第38-39页 |
| ·实验及结果分析 | 第39-46页 |
| ·与C4.5 决策树算法对比 | 第39-40页 |
| ·实验环境及实验数据 | 第40-41页 |
| ·评测手段 | 第41-42页 |
| ·实验结果和分析 | 第42-46页 |
| ·小结 | 第46-47页 |
| 第五章 网络流量分类系统设计及实现 | 第47-55页 |
| ·系统整体流程 | 第47-48页 |
| ·数据采集模块 | 第48-49页 |
| ·网络流量分析及特征生成模块 | 第49-53页 |
| ·流量分类模块 | 第53-54页 |
| ·小结 | 第54-55页 |
| 第六章 总结及展望 | 第55-57页 |
| ·总结 | 第55页 |
| ·进一步的研究工作 | 第55-57页 |
| 参考文献 | 第57-61页 |
| 攻读硕士学位期间参与的科研项目及发表的论文 | 第61-62页 |
| 致谢 | 第62页 |
