网络流量的识别和预测系统关键技术研究
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 附录 A-缩略词 | 第11-14页 |
| 第一章 绪论 | 第14-18页 |
| 1.1 研究背景 | 第14页 |
| 1.2 网络运营面临的问题 | 第14-15页 |
| 1.3 研究意义 | 第15-16页 |
| 1.4 国内外研究现状 | 第16-17页 |
| 1.5 论文主要研究内容和章节安排 | 第17-18页 |
| 第二章 业务识别方法研究 | 第18-40页 |
| 2.1 IP网络流量识别方法研究 | 第18-22页 |
| 2.1.1 DPI关键技术 | 第18-19页 |
| 2.1.2 DPI业务识别关键技术 | 第19-20页 |
| 2.1.3 基于DPI的带宽管理技术 | 第20-21页 |
| 2.1.4 本节小结 | 第21-22页 |
| 2.2 基于多识别引擎的网络业务识别模型 | 第22-40页 |
| 2.2.1 需求概述 | 第22页 |
| 2.2.2 网络业务识别架构 | 第22-24页 |
| 2.2.3 系统功能分析 | 第24页 |
| 2.2.4 基于机器学习的DPI业务分析系统 | 第24-25页 |
| 2.2.5 基于决策树模型的业务识别方法 | 第25-30页 |
| 2.2.6 算法结果性能评价 | 第30-36页 |
| 2.2.7 DPI典型部署 | 第36-39页 |
| 2.2.8 本节小结 | 第39-40页 |
| 第三章 网络流量模型研究 | 第40-60页 |
| 3.1 自相识随机过程 | 第40-46页 |
| 3.1.1 自相似的概念 | 第40-41页 |
| 3.1.2 网络中的自相似性 | 第41页 |
| 3.1.3 自相似性产生的可能的原因 | 第41-42页 |
| 3.1.4 自相似过程中常用的参数估计方法 | 第42-46页 |
| 3.1.5 本节小结 | 第46页 |
| 3.2 网络流量的时间序列模型 | 第46-52页 |
| 3.2.1 模型定义 | 第46-47页 |
| 3.2.2 参数估计 | 第47-49页 |
| 3.2.3 模型拟合 | 第49-51页 |
| 3.2.4 FARIMA模型的预测 | 第51-52页 |
| 3.2.5 本节小结 | 第52页 |
| 3.3 网络流量的小波模型 | 第52-60页 |
| 3.3.1 小波变换 | 第52-55页 |
| 3.3.2 独立小波模型(IWM) | 第55-56页 |
| 3.3.3 多重分形小波模型(MWM) | 第56-59页 |
| 3.3.4 本节小结 | 第59-60页 |
| 第四章 网络流量预测 | 第60-72页 |
| 4.1 网络流量的可预测性 | 第60页 |
| 4.2 基于小波变换的流量预测 | 第60-61页 |
| 4.2.1 概述 | 第60-61页 |
| 4.2.2 Mallat小波分解与重构 | 第61页 |
| 4.2.3 预测算法描述 | 第61页 |
| 4.3 仿真实验 | 第61-65页 |
| 4.3.1 实验数据来源及预处理 | 第61-62页 |
| 4.3.2 小波分解 | 第62-63页 |
| 4.3.3 FARIMA模型预测 | 第63-64页 |
| 4.3.4 小波重构 | 第64-65页 |
| 4.4 改进的基于小波变换的流量预测 | 第65-67页 |
| 4.5 流量预测系统的实现 | 第67-71页 |
| 4.5.1 系统总体技术指标 | 第67页 |
| 4.5.2 系统核心功能及关键特性 | 第67-71页 |
| 4.6 本章小结 | 第71-72页 |
| 第五章 总结和展望 | 第72-73页 |
| 参考文献 | 第73-77页 |
| 致谢 | 第77-78页 |
| 作者简介 | 第78-79页 |
