基于半监督学习的分布式在线流量识别研究
| 摘要 | 第1-9页 |
| Abstract | 第9-11页 |
| 第一章 绪论 | 第11-15页 |
| ·论文的研究对象和内容 | 第11页 |
| ·论文的研究背景和意义 | 第11-12页 |
| ·论文的主要工作及创新点 | 第12-14页 |
| ·基于半监督学习的流量分类方法 | 第12-13页 |
| ·在线流量分类模型研究 | 第13页 |
| ·分布式在线分类方法研究 | 第13-14页 |
| ·论文的组织结构 | 第14-15页 |
| 第二章 网络流量识别技术的研究现状 | 第15-25页 |
| ·基于端口的分类方法 | 第15-16页 |
| ·基于端口分类方法的介绍 | 第15页 |
| ·基于端口分类方法的原理 | 第15-16页 |
| ·基于端口分类方法的分析 | 第16页 |
| ·基于应用层负载特征的分类方法 | 第16-17页 |
| ·应用层负载特征的分类技术简介 | 第16页 |
| ·DPI 技术原理 | 第16-17页 |
| ·DPI 技术分析 | 第17页 |
| ·机器学习分类方法 | 第17-22页 |
| ·机器学习方法简介 | 第17-18页 |
| ·机器学习原理 | 第18页 |
| ·基于机器学习的流量分类方法的分析 | 第18-22页 |
| ·基于有监督学习的分类方法 | 第19页 |
| ·基于无监督学习的分类方法 | 第19-20页 |
| ·基于半监督学习的分类方法 | 第20-22页 |
| ·在线网络流量分类方法 | 第22-23页 |
| ·集中式在线流量分类方法 | 第22-23页 |
| ·分布式在线流量分类方法 | 第23页 |
| ·本章小结 | 第23-25页 |
| 第三章 半监督聚类方法的研究 | 第25-39页 |
| ·k-means 聚类算法介绍 | 第25-26页 |
| ·半监督算法 Semi-kmeans | 第26-29页 |
| ·Semi-kmeans 思想 | 第26-28页 |
| ·Semi-kmeans 算法的新功能 | 第28-29页 |
| ·实验与分析 | 第29-37页 |
| ·实验数据 | 第30-32页 |
| ·网络应用类型 | 第30页 |
| ·具有真实网络应用类型样本的数据集 | 第30-32页 |
| ·流量特征 | 第32-33页 |
| ·评价方法 | 第33-34页 |
| ·实验结果 | 第34-37页 |
| ·算法比较 | 第34-35页 |
| ·有标签样本的影响 | 第35页 |
| ·对有监督分类结果的验证 | 第35-36页 |
| ·发现新类的能力 | 第36页 |
| ·识别速度的比较 | 第36-37页 |
| ·本章小结 | 第37-39页 |
| 第四章 在线流量分类模型 | 第39-57页 |
| ·C4.5 算法介绍 | 第39-41页 |
| ·在线分类系统设计 | 第41-49页 |
| ·部署具有准确应用类型标识的流量采集环境 | 第42-43页 |
| ·流量转发 | 第43-44页 |
| ·流量采集 | 第44-46页 |
| ·基于有监督学习的在线流量分类模型 | 第46-48页 |
| ·基于半监督学习的离线分类模型 | 第48页 |
| ·分类结果验证 | 第48-49页 |
| ·实验分析 | 第49-55页 |
| ·基于有监督学习的在线分类 | 第49-53页 |
| ·实验环境 | 第49-50页 |
| ·在线分类过程分析 | 第50-53页 |
| ·基于半监督学习验证在线分类结果 | 第53-55页 |
| ·实验环境 | 第53页 |
| ·实验结果分析 | 第53-55页 |
| ·本章总结 | 第55-57页 |
| 第五章 分布式在线识别方法的研究 | 第57-65页 |
| ·分布式在线识别方法 | 第57-60页 |
| ·分布式概述 | 第57页 |
| ·分布式在线识别方法 | 第57-58页 |
| ·分布式在线流量识别模型的设计 | 第58-60页 |
| ·分布式在线识别方法的仿真实验 | 第60-63页 |
| ·仿真环境 | 第60-61页 |
| ·仿真数据 | 第61-62页 |
| ·仿真结果 | 第62-63页 |
| ·本章小结 | 第63-65页 |
| 第六章 总结和展望 | 第65-67页 |
| 参考文献 | 第67-71页 |
| 致谢 | 第71-73页 |
| 附录 | 第73-74页 |
