| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第一章 绪论 | 第12-18页 |
| 1.1 研究背景和意义 | 第12页 |
| 1.2 国内外研究现状及不足 | 第12-15页 |
| 1.2.1 基于流量信息挖掘的网络端目标表征 | 第13-14页 |
| 1.2.2 基于非流量特征的网络端目标表征 | 第14-15页 |
| 1.2.3 现有研究的不足 | 第15页 |
| 1.3 本文的主要研究内容 | 第15-16页 |
| 1.4 本文章节安排 | 第16-18页 |
| 第二章 相关技术介绍 | 第18-28页 |
| 2.1 网络流量分析简介 | 第18-20页 |
| 2.1.1 深度数据包检测 | 第18-20页 |
| 2.1.2 流级别的分析 | 第20页 |
| 2.2 相关分析方法概述 | 第20-23页 |
| 2.2.1 机器学习 | 第20-21页 |
| 2.2.2 其他方法 | 第21-23页 |
| 2.3 社团发现算法介绍 | 第23-27页 |
| 2.3.1 CNM算法 | 第24-25页 |
| 2.3.2 BGLL算法 | 第25-27页 |
| 2.4 本章小结 | 第27-28页 |
| 第三章 基于机器学习的网络端目标识别方法 | 第28-48页 |
| 3.1 流行为特征提取 | 第29-37页 |
| 3.1.1 流量数据采集 | 第29-32页 |
| 3.1.2 流量矩阵的构建 | 第32-34页 |
| 3.1.3 原始流行为特征的提取 | 第34-37页 |
| 3.2 端目标识别 | 第37-42页 |
| 3.2.1 样本数据的手工标记 | 第37-38页 |
| 3.2.2 利用机器学习进行识别 | 第38-42页 |
| 3.3 实验结果分析 | 第42-47页 |
| 3.3.1 主机行为模式分析 | 第42-43页 |
| 3.3.2 特征的有效性分析 | 第43-46页 |
| 3.3.3 识别结果对比 | 第46-47页 |
| 3.4 本章小结 | 第47-48页 |
| 第四章 基于流行为特征分析的网络端目标社团发现方法 | 第48-67页 |
| 4.1 相似度矩阵的构建 | 第49-55页 |
| 4.1.1 流行为特征的相似度计算 | 第50-51页 |
| 4.1.2 服务类型的相似度计算 | 第51-53页 |
| 4.1.3 相似度矩阵 | 第53-55页 |
| 4.2 社团发现 | 第55-60页 |
| 4.2.1 社团发现算法的分辨率 | 第55-56页 |
| 4.2.2 BGLL算法进行社团发现 | 第56-60页 |
| 4.3 实验结果分析 | 第60-66页 |
| 4.3.1 主机行为分析 | 第60-62页 |
| 4.3.2 社团划分的有效性分析 | 第62-65页 |
| 4.3.3 社团划分结果对比 | 第65-66页 |
| 4.4 本章小结 | 第66-67页 |
| 第五章 总结与展望 | 第67-69页 |
| 5.1 工作总结 | 第67页 |
| 5.2 工作展望 | 第67-69页 |
| 致谢 | 第69-70页 |
| 参考文献 | 第70-73页 |
| 攻读硕士学位期间取得的研究成果 | 第73-74页 |