首页--工业技术论文--自动化技术、计算机技术论文--计算技术、计算机技术论文--计算机的应用论文--计算机网络论文--一般性问题论文

网络流的时变特征分析

摘要第5-6页
Abstract第6-7页
第一章 绪论第13-21页
    1.1 研究工作的背景与意义第13页
    1.2 国内外研究现状与不足第13-18页
        1.2.1 国内外研究现状第13-17页
        1.2.2 现有研究的不足第17-18页
    1.3 研究思路及主要创新第18-20页
        1.3.1 研究思路第18-19页
        1.3.2 主要创新第19-20页
    1.4 章节结构第20-21页
第二章 网络流特征分析概述第21-35页
    2.1 常用特征第21-29页
        2.1.1 包级特征第21-24页
        2.1.2 流级特征第24-26页
        2.1.3 节点级特征第26-29页
        2.1.4 现有流特征的不足第29页
    2.2 基于机器学习的流量识别技术第29-34页
        2.2.1 机器学习简介第30-31页
        2.2.2 非监督的机器学习算法第31-32页
        2.2.3 有监督的机器学习算法第32-33页
        2.2.4 半监督的机器学习算法第33-34页
    2.3 本章小结第34-35页
第三章 网络流的时变特征分析方法第35-45页
    3.1 时变特征分析方法第35-41页
        3.1.1 本文所选用的时频变换第35-39页
        3.1.2 所选时频变换数学性能分析第39-41页
    3.2 时频矩阵的处理与降维第41-44页
        3.2.1 时频矩阵的奇异值降维法第41-42页
        3.2.2 时频矩阵的Renyi熵降维法第42-44页
    3.3 本章小结第44-45页
第四章 基于时变特征的网络流分类第45-68页
    4.1 基于时变特征的网络流分类方法的提出第45-49页
        4.1.1 网络流量类别划分第45-47页
        4.1.2 基于时变特征的网络流分类的可行性分析第47-49页
    4.2 基于时变特征的网络流分类方法流程第49-60页
        4.2.1 数据的采集第51-52页
        4.2.2 网络流原始特征的提取第52-57页
        4.2.3 原始特征的时频变换和时频矩阵的降维第57-58页
        4.2.4 样本数据的手工标记第58页
        4.2.5 利用机器学习进行分类第58-60页
    4.3 网络流分类准确度的衡量准则第60-61页
    4.4 实验结果分析第61-67页
        4.4.1 数据集流组成分析第61-62页
        4.4.2 不同时频变换实验结果对比第62-64页
        4.4.3 时频特征和传统统计特征实验结果对比第64-67页
    4.5 本章小结第67-68页
第五章 基于时变特征的端主机识别第68-80页
    5.1 主机行为模式分析第68-71页
    5.2 基于时变特征的端主机识别方法流程第71-77页
        5.2.1 数据的采集第72-73页
        5.2.2 主机原始特征的提取第73-75页
        5.2.3 原始特征的时频变换和时频矩阵的降维第75-76页
        5.2.4 样本数据的手工标记第76-77页
        5.2.5 利用机器学习进行识别第77页
    5.3 实验结果分析第77-79页
    5.4 本章小结第79-80页
第六章 总结与展望第80-82页
    6.1 全文总结第80页
    6.2 工作展望第80-82页
致谢第82-83页
参考文献第83-87页
攻硕期间取得的研究成果第87页

论文共87页,点击 下载论文
上一篇:集成电路布图设计专有权保护研究--以矽威诉源之峰专有权侵权案为例
下一篇:徐恺诉上海宝钢冶金建设公司名誉权纠纷案法律分析