| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 1 绪论 | 第15-19页 |
| 1.1 论文研究背景 | 第15页 |
| 1.2 流量识别研究现状 | 第15-16页 |
| 1.3 论文研究目标 | 第16页 |
| 1.4 研究意义 | 第16-17页 |
| 1.5 论文章节安排 | 第17-19页 |
| 2 相关理论和技术 | 第19-31页 |
| 2.1 流量行为的特性 | 第19-21页 |
| 2.1.1 多测度相关性 | 第19-20页 |
| 2.1.2 自相似性 | 第20页 |
| 2.1.3 长相关性 | 第20-21页 |
| 2.2 流量行为特性的评估方法 | 第21-23页 |
| 2.2.1 R/S分析法 | 第21-22页 |
| 2.2.2 聚类方差法 | 第22页 |
| 2.2.3 余数方差法 | 第22页 |
| 2.2.4 周期图法 | 第22-23页 |
| 2.2.5 小波分析法 | 第23页 |
| 2.3 基于Hadoop的云计算技术 | 第23-26页 |
| 2.3.1 HDFS | 第24-25页 |
| 2.3.2 Map/Reduce | 第25-26页 |
| 2.4 Map/Reduce的工作原理 | 第26-28页 |
| 2.5 本章小结 | 第28-31页 |
| 3 属性选择算法的研究 | 第31-41页 |
| 3.1 属性选择算法的定义 | 第31-32页 |
| 3.2 属性选择算法的分类 | 第32-33页 |
| 3.3 ReliefF算法 | 第33-34页 |
| 3.4 基于ReliefF的打包属性选择算法 | 第34-36页 |
| 3.4.1 方法思想 | 第34页 |
| 3.4.2 方法实现及分析 | 第34-36页 |
| 3.5 仿真分析 | 第36-39页 |
| 3.5.1 数据选取及描述 | 第36-37页 |
| 3.5.2 数据分析 | 第37-39页 |
| 3.6 本章小结 | 第39-41页 |
| 4 AR现象 | 第41-49页 |
| 4.1 AR的产生 | 第41页 |
| 4.2 AR产生的原因 | 第41-42页 |
| 4.3 AR对流量识别带来的影响 | 第42-43页 |
| 4.4 单向流测度和双向流测度 | 第43-44页 |
| 4.5 AR现象的解决方法 | 第44-46页 |
| 4.6 仿真分析 | 第46-48页 |
| 4.6.1 数据选取及描述 | 第46-47页 |
| 4.6.2 数据分析 | 第47-48页 |
| 4.7 本章小结 | 第48-49页 |
| 5 实时流量识别模型 | 第49-65页 |
| 5.1 机器学习方法 | 第49-54页 |
| 5.1.1 机器学习的定义及其原理 | 第49-50页 |
| 5.1.2 有监督学习与无监督学习 | 第50-51页 |
| 5.1.3 半监督学习及其流量分类方案 | 第51-54页 |
| 5.2 基于K-Means聚类的半监督学习模型 | 第54-57页 |
| 5.2.1 K-Means聚类算法 | 第54-55页 |
| 5.2.2 半监督算法SS_k-means | 第55-56页 |
| 5.2.3 半监督算法SS_k-means算法的新特性 | 第56-57页 |
| 5.3 仿真分析 | 第57-63页 |
| 5.3.1 数据选取 | 第57-58页 |
| 5.3.2 数据分析 | 第58-62页 |
| 5.3.3 半监督学习SS_k-means算法新特性的测试 | 第62-63页 |
| 5.4 本章小结 | 第63-65页 |
| 6 总结与展望 | 第65-67页 |
| 6.1 总结 | 第65页 |
| 6.2 展望 | 第65-67页 |
| 参考文献 | 第67-71页 |
| 致谢 | 第71-73页 |
| 作者简介及读研期间主要科研成果 | 第73页 |