基于半监督学习的网络业务流量识别方法研究
| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 缩略语 | 第9-10页 |
| 第1章 绪论 | 第10-18页 |
| 1.1 课题背景及研究目的 | 第10页 |
| 1.2 流量识别技术的相关研究 | 第10-15页 |
| 1.2.1 流量识别的主要方法 | 第11-14页 |
| 1.2.2 流量识别的发展趋势 | 第14页 |
| 1.2.3 流量识别的关键问题 | 第14-15页 |
| 1.3 论文主要内容及章节安排 | 第15-18页 |
| 第2章 网络业务流量识别和半监督学习基本理论 | 第18-26页 |
| 2.1 流量识别 | 第18-21页 |
| 2.1.1 流量识别的基本概念 | 第18页 |
| 2.1.2 流量识别的评价准则 | 第18-19页 |
| 2.1.3 本文使用的网络流量数据集说明 | 第19-21页 |
| 2.2 半监督学习 | 第21-24页 |
| 2.2.1 半监督学习依赖的假设 | 第21-22页 |
| 2.2.2 半监督学习的分类 | 第22-24页 |
| 2.3 本章小结 | 第24-26页 |
| 第3章 基于信息度量的半监督特征选择算法 | 第26-42页 |
| 3.1 特征降维 | 第26-31页 |
| 3.1.1 特征选择 | 第26-30页 |
| 3.1.2 特征提取 | 第30-31页 |
| 3.2 MSFS算法 | 第31-35页 |
| 3.2.1 基本原理 | 第31-33页 |
| 3.2.2 算法描述 | 第33-35页 |
| 3.3 仿真实验 | 第35-40页 |
| 3.3.1 数据集的选取 | 第35-36页 |
| 3.3.2 实验方法 | 第36页 |
| 3.3.3 实验结果及分析 | 第36-40页 |
| 3.4 本章小结 | 第40-42页 |
| 第4章 半监督DBSCAN网络流量识别方法 | 第42-58页 |
| 4.1 DBSCAN算法 | 第42-46页 |
| 4.1.1 算法相关定义 | 第42-44页 |
| 4.1.2 算法描述 | 第44-45页 |
| 4.1.3 DBSCAN算法优缺点及已有改进方法 | 第45-46页 |
| 4.2 半监督DBSCAN流量识别方法 | 第46-50页 |
| 4.2.1 基本原理 | 第46-49页 |
| 4.2.2 算法描述 | 第49-50页 |
| 4.3 仿真实验 | 第50-56页 |
| 4.3.1 实验方法 | 第50页 |
| 4.3.2 实验结果及分析 | 第50-56页 |
| 4.4 本章小结 | 第56-58页 |
| 第5章 总结与展望 | 第58-60页 |
| 5.1 研究工作总结 | 第58页 |
| 5.2 进一步工作展望 | 第58-60页 |
| 致谢 | 第60-62页 |
| 参考文献 | 第62-66页 |
| 攻读硕士学位期间的研究成果 | 第66页 |
