| 摘要 | 第5-6页 |
| ABSTACT | 第6-7页 |
| 第一章 绪论 | 第12-15页 |
| 1.1 课题研究背景及意义 | 第12页 |
| 1.2 国内外研究现状 | 第12-13页 |
| 1.3 研究内容及组织结构 | 第13-15页 |
| 第二章 协议识别技术研究 | 第15-27页 |
| 2.1 协议识别的概念 | 第15-17页 |
| 2.2 三种常见的协议识别技术 | 第17-23页 |
| 2.2.1 基于端.的协议识别 | 第17-19页 |
| 2.2.2 基于内容的协议识别 | 第19-20页 |
| 2.2.3 基于流量特征的协议识别 | 第20-23页 |
| 2.3 一种基于模式匹配和机器学习的协议识别系统框架 | 第23-25页 |
| 2.3.1 系统框架的提出思路 | 第23-24页 |
| 2.3.2 系统框架流程图及说明 | 第24-25页 |
| 2.4 本章小结 | 第25-27页 |
| 第三章 基于模式匹配的协议识别技术研究 | 第27-42页 |
| 3.1 模式匹配算法概述 | 第27-28页 |
| 3.2 经典的模式匹配算法 | 第28-36页 |
| 3.2.1 BF算法 | 第28-29页 |
| 3.2.2 KMP算法 | 第29-30页 |
| 3.2.3 BM算法 | 第30-33页 |
| 3.2.4 AC-BM算法 | 第33-34页 |
| 3.2.5 VM算法 | 第34-36页 |
| 3.2.6 小结 | 第36页 |
| 3.3 一种改进的BM算法 | 第36-41页 |
| 3.3.1 改进算法的提出思路 | 第36-38页 |
| 3.3.2 改进算法的思想及实现 | 第38-39页 |
| 3.3.3 性能测试和结果分析 | 第39-41页 |
| 3.4 本章小结 | 第41-42页 |
| 第四章 基于机器学习的协议识别技术研究 | 第42-68页 |
| 4.1 机器学习概述 | 第42-44页 |
| 4.2 基于机器学习的协议识别技术研究 | 第44-53页 |
| 4.2.1 基于机器学习的协议识别框架 | 第44-45页 |
| 4.2.2 流量统计特征选择 | 第45-48页 |
| 4.2.3 几种常见的机器学习算法 | 第48-53页 |
| 4.2.4 小结 | 第53页 |
| 4.3 基于ESBS-GA方法的流量特征选择 | 第53-60页 |
| 4.3.1 遗传算法（GA）介绍 | 第53-56页 |
| 4.3.2 ESBS-GA方法的提出思路 | 第56页 |
| 4.3.3 ESBS-GA方法的思想及实现 | 第56-57页 |
| 4.3.4 实验环境和数据说明 | 第57-58页 |
| 4.3.5 实验结果和分析 | 第58-60页 |
| 4.4 一种基于二分查找法的K值优化方案 | 第60-67页 |
| 4.4.1 K值优化方案的提出思路 | 第60-61页 |
| 4.4.2 K值优化方案的思想及实现 | 第61-63页 |
| 4.4.3 实验环境和数据说明 | 第63-65页 |
| 4.4.4 实验结果和分析 | 第65-67页 |
| 4.5 本章小结 | 第67-68页 |
| 第五章 总结和展望 | 第68-70页 |
| 5.1 全文总结 | 第68-69页 |
| 5.2 技术展望 | 第69-70页 |
| 致谢 | 第70-71页 |
| 参考文献 | 第71-75页 |
| 攻硕期间取得的研究成果 | 第75-76页 |