基于流量测量的高速IP业务感知技术研究
| 目录 | 第4-7页 |
| 表目录 | 第7-8页 |
| 图目录 | 第8-10页 |
| 摘要 | 第10-12页 |
| ABSTRACT | 第12-13页 |
| 第一章 绪论 | 第14-34页 |
| 1.1 研究背景和术语 | 第14-19页 |
| 1.1.1 研究背景 | 第14-17页 |
| 1.1.2 相关术语 | 第17-19页 |
| 1.2 研究目的和意义 | 第19-20页 |
| 1.3 现状与发展趋势 | 第20-31页 |
| 1.3.1 流量分类技术现状 | 第20-27页 |
| 1.3.2 流量分类发展趋势 | 第27-31页 |
| 1.4 研究思路与结构安排 | 第31-34页 |
| 1.4.1 论文研究思路 | 第31-32页 |
| 1.4.2 论文结构安排 | 第32-34页 |
| 第二章 基于 LRU-BF 策略的大流检测算法 | 第34-52页 |
| 2.1 引言 | 第34-35页 |
| 2.2 大流检测相关算法 | 第35-38页 |
| 2.3 LRU-BF 算法 | 第38-41页 |
| 2.3.1 LRU 思想描述 | 第38-39页 |
| 2.3.2 BF 原理描述 | 第39-40页 |
| 2.3.3 LRU-BF 算法流程 | 第40-41页 |
| 2.4 算法理论分析 | 第41-45页 |
| 2.4.1 准确性分析 | 第41-45页 |
| 2.4.2 计算复杂度分析 | 第45页 |
| 2.4.3 空间复杂度分析 | 第45页 |
| 2.5 实验结果与评价 | 第45-50页 |
| 2.5.1 算法准确性仿真 | 第46-48页 |
| 2.5.2 算法处理速度仿真 | 第48-50页 |
| 2.5.3 空间复杂度仿真 | 第50页 |
| 2.6 结论 | 第50-52页 |
| 第三章 几何布鲁姆过滤器的设计与分析 | 第52-67页 |
| 3.1 引言 | 第52-53页 |
| 3.2 NCBF 结构描述 | 第53-54页 |
| 3.3 GBF 模型构建 | 第54-56页 |
| 3.3.1 GBF 结构描述 | 第54-56页 |
| 3.3.2 性能指标和相关定义 | 第56页 |
| 3.4 理论分析与求解 | 第56-63页 |
| 3.4.1 Na ve-GBF 模型分析 | 第56-60页 |
| 3.4.2 GBF 模型求解 | 第60-62页 |
| 3.4.3 GBF 均衡性改进 | 第62-63页 |
| 3.5 实验结果与分析 | 第63-65页 |
| 3.5.1 错误概率比较 | 第63-64页 |
| 3.5.2 计算复杂度比较 | 第64-65页 |
| 3.5.3 空间复杂度比较 | 第65页 |
| 3.6 结论 | 第65-67页 |
| 第四章 基于半监督近邻传播学习的流量分类 | 第67-81页 |
| 4.1 引言 | 第67-68页 |
| 4.2 近邻传播学习原理 | 第68-70页 |
| 4.3 获取样本流先验信息 | 第70-73页 |
| 4.3.1 已知标签样本流约束 | 第70-71页 |
| 4.3.2 流形空间的先验信息 | 第71-73页 |
| 4.4 基于 AP 的半监督流量分类 | 第73-76页 |
| 4.4.1 构造半监督流量分类器 | 第73-75页 |
| 4.4.2 流量分类算法流程 | 第75页 |
| 4.4.3 分类器凝聚性分析 | 第75-76页 |
| 4.5 实验结果及分析 | 第76-80页 |
| 4.5.1 算法评价指标 | 第76-77页 |
| 4.5.2 实验数据说明 | 第77页 |
| 4.5.3 算法仿真比较 | 第77-80页 |
| 4.6 结论 | 第80-81页 |
| 第五章 分层组合型半监督近邻传播学习的流量分类 | 第81-93页 |
| 5.1 引言 | 第81-82页 |
| 5.2 分层组合的聚类思想 | 第82-85页 |
| 5.2.1 半监督分层聚类 | 第82-84页 |
| 5.2.2 组合提升方法 | 第84-85页 |
| 5.3 分层组合的半监督 AP 算法 | 第85-88页 |
| 5.3.1 聚类算法详细流程 | 第85-86页 |
| 5.3.2 算法准确性分析 | 第86-87页 |
| 5.3.3 算法复杂度分析 | 第87-88页 |
| 5.4 实验结果及分析 | 第88-92页 |
| 5.4.1 算法评价指标 | 第88页 |
| 5.4.2 UCI 数据集实验 | 第88-91页 |
| 5.4.3 Moore 数据集实验 | 第91-92页 |
| 5.5 结论 | 第92-93页 |
| 第六章 基于用户连接图的流量分类 | 第93-107页 |
| 6.1 引言 | 第93-94页 |
| 6.2 预备知识 | 第94-96页 |
| 6.2.1 信息熵 | 第94-95页 |
| 6.2.2 谱聚类 | 第95-96页 |
| 6.3 基于谱聚类的用户行为子簇划分 | 第96-98页 |
| 6.3.1 构造用户连接图 | 第96-97页 |
| 6.3.2 基于谱聚类的行为子簇划分 | 第97-98页 |
| 6.4 基于信息熵的用户行为分析 | 第98-101页 |
| 6.4.1 基于信息熵的行为模式定义 | 第98-100页 |
| 6.4.2 用户行为子簇的标签映射 | 第100-101页 |
| 6.5 HCG 分类算法整体流程 | 第101-102页 |
| 6.6 实验结果及分析 | 第102-106页 |
| 6.6.1 实验数据说明 | 第102-103页 |
| 6.6.2 分类准确性仿真 | 第103-105页 |
| 6.6.3 计算复杂度比较 | 第105-106页 |
| 6.7 结论 | 第106-107页 |
| 第七章 结束语 | 第107-110页 |
| 7.1 本文的创新性研究成果 | 第107-108页 |
| 7.2 本文下一步工作 | 第108-110页 |
| 参考文献 | 第110-120页 |
| 作者简历 攻读博士学位期间完成的主要工作 | 第120-122页 |
| 致谢 | 第122页 |
