基于深度学习的网络流量分析研究
| 摘要 | 第3-4页 |
| Abstract | 第4页 |
| 1 绪论 | 第7-13页 |
| 1.1 课题背景和意义 | 第7-8页 |
| 1.2 流量分析的研究现状 | 第8-11页 |
| 1.2.1 网络流量的不同粒度分析 | 第8页 |
| 1.2.2 针对网络流量分析的应用 | 第8-9页 |
| 1.2.3 用于网络流量分析的模型 | 第9-11页 |
| 1.3 本文的研究内容 | 第11页 |
| 1.4 章节安排 | 第11-13页 |
| 2 基于深度学习的网络流量分析框架 | 第13-19页 |
| 2.1 网络流量分析解决的问题 | 第13-14页 |
| 2.1.1 正常流量分析 | 第13-14页 |
| 2.1.2 异常流量检测 | 第14页 |
| 2.2 网络流量分析的基本问题 | 第14-15页 |
| 2.2.1 流量预测 | 第14-15页 |
| 2.2.2 流量分类 | 第15页 |
| 2.3 深度学习概述 | 第15-17页 |
| 2.4 基于深度学习的网络流量分析模型 | 第17-18页 |
| 2.5 本章小结 | 第18-19页 |
| 3 基于深度学习的网络流量预测研究 | 第19-33页 |
| 3.1 引言 | 第19页 |
| 3.2 网络流量的性质 | 第19-22页 |
| 3.2.1 自相似性 | 第19-21页 |
| 3.2.2 长相关性 | 第21-22页 |
| 3.3 基于深度学习的流量预测模型 | 第22-27页 |
| 3.3.1 递归神经网络 | 第22-24页 |
| 3.3.2 长短周期递归神经网络 | 第24-25页 |
| 3.3.3 适用于自相关序列的长短周期模型 | 第25-27页 |
| 3.4 实验与结果分析 | 第27-32页 |
| 3.4.1 数据集选取 | 第27-28页 |
| 3.4.2 自相关性分析 | 第28-29页 |
| 3.4.3 实验过程 | 第29-30页 |
| 3.4.4 实验结果分析 | 第30-32页 |
| 3.5 本章小结 | 第32-33页 |
| 4 基于深度学习的网络业务流量分类研究 | 第33-52页 |
| 4.1 引言 | 第33页 |
| 4.2 网络流量数据相关技术 | 第33-37页 |
| 4.2.1 网络分层模型 | 第33-35页 |
| 4.2.2 网络流量数据 | 第35-37页 |
| 4.3 卷积神经网络 | 第37-43页 |
| 4.3.1 卷积神经网络的经典模型 | 第38-39页 |
| 4.3.2 卷积神经网络的学习算法 | 第39-41页 |
| 4.3.3 构建卷积神经网络模型 | 第41-43页 |
| 4.4 实验与结果分析 | 第43-51页 |
| 4.4.1 实验数据集 | 第43-46页 |
| 4.4.2 网络数据图像化 | 第46-47页 |
| 4.4.3 实验结果分析 | 第47-51页 |
| 4.5 本章小结 | 第51-52页 |
| 5 结论与展望 | 第52-54页 |
| 5.1 结论 | 第52页 |
| 5.2 展望 | 第52-54页 |
| 致谢 | 第54-55页 |
| 参考文献 | 第55-60页 |
| 附录 | 第60页 |
