基于SVM的机器学习识别P2P流的方法的研究与实现
| 摘要 | 第1-6页 |
| ABSTRACT | 第6-10页 |
| 第一章 绪论 | 第10-15页 |
| ·论文研究背景 | 第10-11页 |
| ·国内外研究现状 | 第11-13页 |
| ·国内外的一些P2P流识别方法 | 第11-13页 |
| ·现有方法的缺陷 | 第13页 |
| ·论文的结构和主要工作 | 第13-15页 |
| 第二章 P2P的研究 | 第15-25页 |
| ·P2P的概述 | 第15-16页 |
| ·P2P通信模式概述 | 第15-16页 |
| ·现网P2P技术的研究 | 第16页 |
| ·BT的原理 | 第16-24页 |
| ·BT的架构 | 第16-18页 |
| ·BT协议工作过程的研究 | 第18-23页 |
| ·一种BT流量检测的方法 | 第23-24页 |
| ·小结 | 第24-25页 |
| 第三章 机器学习的研究 | 第25-29页 |
| ·机器学习的定义和研究意义 | 第25-26页 |
| ·机器学习的研究内容 | 第26-27页 |
| ·机器学习应用于流识别的研究 | 第27-28页 |
| ·小结 | 第28-29页 |
| 第四章 SVM识别P2P流的研究与实现思路 | 第29-36页 |
| ·SVM的分类原理 | 第29-34页 |
| ·基于SVM的机器学习识别P2P流方法的实现思路 | 第34-35页 |
| ·小节 | 第35-36页 |
| 第五章 SVM算法的实现-libSVM | 第36-40页 |
| ·选择libSVM的意义 | 第36页 |
| ·libSVM中的使用 | 第36-39页 |
| ·libsvm中的样本预处理原则 | 第36-37页 |
| ·libSVM的使用 | 第37-39页 |
| ·libSVM输入的研究 | 第39页 |
| ·小结 | 第39-40页 |
| 第六章 包的获取、流属性的选取和输出实现 | 第40-50页 |
| ·使用Ethereal抓包 | 第40-45页 |
| ·流特征属性的选取 | 第45-46页 |
| ·输出流特征属性的详细实现 | 第46-49页 |
| ·小结 | 第49-50页 |
| 第七章 libSVM识别P2P流的详细实现 | 第50-59页 |
| ·所有流的属性作为训练集和预测集的实现 | 第50-53页 |
| ·含包数较多的流的属性作为训练集的实现 | 第53-58页 |
| ·实现框图 | 第53-54页 |
| ·详细实现 | 第54-57页 |
| ·总结 | 第57-58页 |
| ·小结 | 第58-59页 |
| 结束语 | 第59-60页 |
| 参考文献 | 第60-63页 |
| 附录 输出流特征属性的代码实现 | 第63-73页 |
| 致谢 | 第73-74页 |
| 攻读学位期间发表的学术论文目录 | 第74页 |
