| 摘要 | 第1-13页 |
| Abstract | 第13-16页 |
| 第一章 绪论 | 第16-50页 |
| ·研究背景 | 第16-29页 |
| ·需求背景 | 第16-20页 |
| ·问题提出 | 第20-29页 |
| ·相关研究工作 | 第29-43页 |
| ·流量异常检测 | 第30-38页 |
| ·检测精度优化研究 | 第38-41页 |
| ·异常检测系统评估指标 | 第41-43页 |
| ·本文研究工作 | 第43-48页 |
| ·主要研究工作 | 第44-47页 |
| ·主要创新点 | 第47-48页 |
| ·论文结构 | 第48-50页 |
| 第二章 基于多维熵序列分类的骨干网异常检测 | 第50-78页 |
| ·问题提出 | 第50-53页 |
| ·相关研究 | 第53-58页 |
| ·基于熵的异常检测 | 第53-56页 |
| ·基于多时间序列分类的异常检测 | 第56-57页 |
| ·数据流上熵值估算 | 第57-58页 |
| ·多维熵序列分类检测算法 | 第58-64页 |
| ·多维熵值估算算法 | 第59-61页 |
| ·多维分类检测 | 第61-63页 |
| ·检测精度优化研究 | 第63-64页 |
| ·实验与结果分析 | 第64-75页 |
| ·熵值估算算法实验 | 第65-68页 |
| ·多维分类检测验证实验 | 第68-69页 |
| ·精度对比实验 | 第69-73页 |
| ·讨论 | 第73-75页 |
| ·本章小结 | 第75-78页 |
| 第三章 基于 Filter-ary-Sketch 的流量异常检测与过滤 | 第78-98页 |
| ·问题提出 | 第78-82页 |
| ·相关研究 | 第82-84页 |
| ·概要数据结构 | 第82-84页 |
| ·相对熵测度 | 第84页 |
| ·数据结构与算法 | 第84-89页 |
| ·Filter-ary-Sketch 数据结构 | 第85-86页 |
| ·基于 Filter-ary-Sketch 的异常检测算法 | 第86-88页 |
| ·恶意流量过滤算法 | 第88-89页 |
| ·实验与结果分析 | 第89-96页 |
| ·实验数据 | 第89-90页 |
| ·检测算法精度实验 | 第90-93页 |
| ·恶意流量过滤实验 | 第93-95页 |
| ·效率分析 | 第95-96页 |
| ·本章小结 | 第96-98页 |
| 第四章 基于检测统计量相关性分析的精度优化研究 | 第98-118页 |
| ·问题提出 | 第98-102页 |
| ·检测统计量相关性分析 | 第102-106页 |
| ·自适应残差构建 | 第102-104页 |
| ·趋势相关性分析 | 第104页 |
| ·多统计量相关性分析 | 第104-106页 |
| ·系统结构与算法 | 第106-111页 |
| ·系统结构 | 第106页 |
| ·多窗口关联检测算法 | 第106-109页 |
| ·多统计量关联检测算法 | 第109-111页 |
| ·实验与结果分析 | 第111-116页 |
| ·实验设计 | 第111-112页 |
| ·多窗口关联检测算法验证 | 第112-113页 |
| ·精度对比实验 | 第113-116页 |
| ·本章小结 | 第116-118页 |
| 第五章 流量异常检测中分类器的提取与训练方法研究 | 第118-132页 |
| ·问题提出 | 第118-120页 |
| ·分类器的选择与使用分析 | 第120-122页 |
| ·分类向量的构建 | 第120-121页 |
| ·分类器的选择 | 第121-122页 |
| ·增减式在线训练算法 | 第122-123页 |
| ·基于 TRW 的精度优化与样本选择算法 | 第123-125页 |
| ·实验与结果分析 | 第125-131页 |
| ·实验数据 | 第125页 |
| ·实验设计 | 第125-126页 |
| ·检测精度对比实验 | 第126-129页 |
| ·在线训练算法验证实验 | 第129-131页 |
| ·本章小结 | 第131-132页 |
| 第六章 结论与展望 | 第132-135页 |
| ·总结 | 第132-133页 |
| ·研究展望 | 第133-135页 |
| 致谢 | 第135-137页 |
| 参考文献 | 第137-151页 |
| 作者在学期间取得的学术成果 | 第151-153页 |
| 攻读博士学位期间参加的科研项目 | 第153页 |