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 |
