| 摘要 | 第4-6页 |
| Abstract | 第6-8页 |
| 目录 | 第9-12页 |
| 图录 | 第12-14页 |
| 表录 | 第14-15页 |
| 第一章 绪论 | 第15-31页 |
| 1.1 课题研究背景 | 第15-18页 |
| 1.2 课题研究目的与意义 | 第18-20页 |
| 1.3 课题研究现状 | 第20-26页 |
| 1.3.1 网络流量抽样测量 | 第20-23页 |
| 1.3.2 网络流量异常检测方法 | 第23-26页 |
| 1.3.3 当前网络流量异常检测面临的问题 | 第26页 |
| 1.4 本文的研究工作及结构安排 | 第26-31页 |
| 1.4.1 论文研究思路 | 第26-28页 |
| 1.4.2 论文结构安排 | 第28-31页 |
| 第二章 面向异常检测的自适应流抽样方法 | 第31-43页 |
| 2.1 引言 | 第31页 |
| 2.2 相关工作 | 第31-32页 |
| 2.3 理想的流抽样 | 第32-34页 |
| 2.4 自适应流抽样算法 | 第34-36页 |
| 2.5 实验评价与分析 | 第36-41页 |
| 2.5.1 抽样性能 | 第37页 |
| 2.5.2 特征可变性的保留程度 | 第37-38页 |
| 2.5.3 对异常检测的影响 | 第38-41页 |
| 2.6 本章小结 | 第41-43页 |
| 第三章 分数阶 Fourier 变换域中网络流量的自相似特性分析 | 第43-56页 |
| 3.1 引言 | 第43-44页 |
| 3.2 网络流量在 FrFT 域的自相似特性 | 第44-47页 |
| 3.2.1 分数阶 Fourier 变换的相关定义 | 第44页 |
| 3.2.2 自相似的相关定义 | 第44-45页 |
| 3.2.3 网络流量在 FrFT 域中的统计自相似性 | 第45-47页 |
| 3.3 网络流量在 FrFT 域的 Hurst 指数估计方法 | 第47-50页 |
| 3.3.1 FrFT 域基于 MEEMD-DFA 的 Hurst 指数估计方法 | 第47-49页 |
| 3.3.2 FrFT 域基于 WLSR 的 Hurst 指数自适应估计方法 | 第49-50页 |
| 3.4 仿真结果与分析 | 第50-55页 |
| 3.4.1 鲁棒性分析 | 第51-54页 |
| 3.4.2 算法的计算复杂度分析 | 第54-55页 |
| 3.4.3 实际网络流量分析 | 第55页 |
| 3.5 结束语 | 第55-56页 |
| 第四章 基于改进 EEMD 与 AFOPSO-RBF 的大尺度流量预测 | 第56-71页 |
| 4.1 引言 | 第56-57页 |
| 4.2 基于改进 EEMD 与 AFOPSO-RBFNN 的大尺度网络流量预测模型 | 第57页 |
| 4.3 改进的 EEMD 方法 | 第57-58页 |
| 4.4 自适应分数阶粒子群优化 RBF 神经网络模型 | 第58-64页 |
| 4.4.1 预备知识 | 第58-60页 |
| 4.4.2 自适应分数阶粒子群优化算法 | 第60-63页 |
| 4.4.3 基于 AFOPSO-RBFNN 模型的网络流量预测 | 第63-64页 |
| 4.5 网络流量预测实验与分析 | 第64-70页 |
| 4.5.1 数据来源与仿真环境 | 第64-65页 |
| 4.5.2 基于 MEEMD 方法的流量预处理 | 第65-66页 |
| 4.5.3 AFOPSO-RBF 模型对各 IMF 分量的预测 | 第66页 |
| 4.5.4 实验结果比较与分析 | 第66-70页 |
| 4.6 本章小结 | 第70-71页 |
| 第五章 基于量子神经网络的小时间尺度网络流量预测 | 第71-83页 |
| 5.1 引言 | 第71-72页 |
| 5.2 量子神经网络模型 | 第72-73页 |
| 5.3 学习算法及全局收敛性分析 | 第73-77页 |
| 5.3.1 基于 MPRPCG 的学习算法 | 第73-75页 |
| 5.3.2 全局收敛性分析 | 第75-77页 |
| 5.4 实验结果与分析 | 第77-82页 |
| 5.4.1 数据来源与仿真环境 | 第77-78页 |
| 5.4.2 流量数据预测精度比较 | 第78-80页 |
| 5.4.3 收敛速度与鲁棒性分析 | 第80-81页 |
| 5.4.4 算法的计算复杂度比较 | 第81-82页 |
| 5.5 本章小结 | 第82-83页 |
| 第六章 基于归一化互信息与量子小波神经网络的异常检测方法 | 第83-99页 |
| 6.1 引言 | 第83-84页 |
| 6.2 归一化互信息特征选择算法 | 第84-86页 |
| 6.3 量子小波神经网络模型及学习算法 | 第86-91页 |
| 6.3.1 QWNN 模型 | 第86-87页 |
| 6.3.2 SRM-ELM 学习算法 | 第87-91页 |
| 6.4 基于 NMIFS 与 QWNN 的异常检测模型 | 第91-92页 |
| 6.5 实验与结果分析 | 第92-97页 |
| 6.5.1 数据集与仿真环境描述 | 第92页 |
| 6.5.2 数据预处理与评价准则 | 第92-94页 |
| 6.5.3 基于 NMIFS 的最优组合特征选择 | 第94-95页 |
| 6.5.4 与相关工作的异常检测性能比较 | 第95页 |
| 6.5.5 算法的时间复杂度比较 | 第95-97页 |
| 6.6 结论 | 第97-99页 |
| 第七章 基于流量预测与机器学习的异常检测方案设计 | 第99-107页 |
| 7.1 方案设计 | 第99-101页 |
| 7.2 仿真验证 | 第101-104页 |
| 7.2.1 基于大尺度流量预测的 DDoS 检测 | 第101-102页 |
| 7.2.2 基于小尺度流量预测的 LDoS 检测 | 第102-103页 |
| 7.2.3 基于流量预测与机器学习的异常检测 | 第103-104页 |
| 7.3 系统测试 | 第104-107页 |
| 7.3.1 异常检测系统介绍 | 第104-106页 |
| 7.3.2 测试结果 | 第106-107页 |
| 第八章 结束语 | 第107-111页 |
| 8.1 本文的研究成果 | 第107-108页 |
| 8.2 本文需要进一步研究的问题 | 第108-111页 |
| 致谢 | 第111-113页 |
| 参考文献 | 第113-126页 |
| 作者简历 | 第126-127页 |
