用优化的正则表达式引擎进行快速网络流分类
| 摘要 | 第1-6页 |
| ABSTRACT | 第6-8页 |
| 目录 | 第8-10页 |
| 第1章 绪论 | 第10-16页 |
| ·研究背景 | 第10-11页 |
| ·研究现状 | 第11-13页 |
| ·研究内容 | 第13-15页 |
| ·论文结构 | 第15-16页 |
| 第2章 网络流分类和Hadoop相关技术 | 第16-34页 |
| ·网络数据流 | 第16-17页 |
| ·网络流分类技术 | 第17-20页 |
| ·基于端口的分类方法 | 第17-18页 |
| ·基于载荷特征的分类方法 | 第18页 |
| ·基于流统计特征的分类方法 | 第18-19页 |
| ·基于主机行为特征的分类方法 | 第19-20页 |
| ·基于图的技术 | 第20页 |
| ·正则表达式匹配技术 | 第20-26页 |
| ·正则表达式 | 第21-22页 |
| ·非确定型有限自动机匹配技术 | 第22-23页 |
| ·确定型有限自动机匹配技术 | 第23-25页 |
| ·NFA与DFA的比较 | 第25-26页 |
| ·Hadoop云平台技术研究 | 第26-33页 |
| ·云计算思想 | 第26页 |
| ·Hadoop云平台的优势 | 第26-27页 |
| ·Hadoop的工作机制 | 第27-31页 |
| ·Hadoop平台的参数调优 | 第31-32页 |
| ·Hadoop Streaming技术 | 第32-33页 |
| ·本章小结 | 第33-34页 |
| 第3章 优化的DFA正则表达式匹配引擎 | 第34-50页 |
| ·选择DFA引擎的原因 | 第34-35页 |
| ·DFA引擎的不足 | 第35页 |
| ·优化的DFA空间压缩技术 | 第35-44页 |
| ·DBDFA的基本思想 | 第36-37页 |
| ·问题形式化描述 | 第37-39页 |
| ·DBDFA构造思路 | 第39-40页 |
| ·一个例子 | 第40-41页 |
| ·DBDFA算法描述 | 第41-43页 |
| ·DBDFA匹配过程 | 第43-44页 |
| ·改善的DFA状态匹配技术 | 第44-45页 |
| ·快速匹配失败机制 | 第44页 |
| ·优化的缓存技术 | 第44-45页 |
| ·实验验证及结果 | 第45-48页 |
| ·实验环境 | 第45页 |
| ·DBDFA的压缩效率 | 第45-47页 |
| ·DBDFA的匹配效率 | 第47-48页 |
| ·本章小结 | 第48-50页 |
| 第4章 基于Hadoop云平台的网络流分类系统 | 第50-58页 |
| ·Hadoop下的网络流分类技术难题 | 第50-51页 |
| ·支持二进制流输入格式的MapReduce模型 | 第51-53页 |
| ·基于Hadoop的网络流分类模块 | 第53-55页 |
| ·实验验证及结果 | 第55-57页 |
| ·实验环境 | 第55页 |
| ·匹配效率对比 | 第55-57页 |
| ·本章小结 | 第57-58页 |
| 第5章 总结与展望 | 第58-60页 |
| ·本文工作总结 | 第58-59页 |
| ·未来工作展望 | 第59-60页 |
| 参考文献 | 第60-64页 |
| 附录1 图索引 | 第64-66页 |
| 附录2 表索引 | 第66-68页 |
| 致谢 | 第68-70页 |
| 在读期间发表的学术论文与取得的其他研究成果 | 第70页 |
