基于机器学习的网络流量分类研究
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-20页 |
| 1.1 研究背景和意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-16页 |
| 1.2.1 基于端口号的流量识别技术 | 第12-13页 |
| 1.2.2 基于载荷的深度包检测技术 | 第13-14页 |
| 1.2.3 基于统计特征的流量识别技术 | 第14-16页 |
| 1.3 论文主要工作 | 第16-17页 |
| 1.4 论文组织结构 | 第17-20页 |
| 第二章 相关理论介绍 | 第20-34页 |
| 2.1 网络流量 | 第20-23页 |
| 2.2 深度学习 | 第23-28页 |
| 2.2.1 人工神经网络 | 第23-25页 |
| 2.2.2 卷积神经网络 | 第25-26页 |
| 2.2.3 长短期记忆网络 | 第26-28页 |
| 2.3 机器学习类型 | 第28-30页 |
| 2.3.1 离线、增量、在线 | 第28-30页 |
| 2.3.2 监督、无监督、半监督 | 第30页 |
| 2.4 距离度量方法 | 第30-31页 |
| 2.5 模型评估性能指标 | 第31-33页 |
| 2.6 数据集 | 第33页 |
| 2.7 本章小结 | 第33-34页 |
| 第三章 增量学习式网络流量识别 | 第34-46页 |
| 3.1 理论基础 | 第34-35页 |
| 3.2 增量学习基础模型 | 第35-36页 |
| 3.3 熟练度机制 | 第36-39页 |
| 3.4 增量学习算法 | 第39-41页 |
| 3.5 仿真实验 | 第41-45页 |
| 3.5.1 数据处理 | 第41页 |
| 3.5.2 模型结构和参数 | 第41-42页 |
| 3.5.3 熟练度对于模型性能的影响 | 第42-43页 |
| 3.5.4 增量学习模型的性能 | 第43-45页 |
| 3.6 本章小结 | 第45-46页 |
| 第四章 在线学习式网络流量早期识别 | 第46-60页 |
| 4.1 模型整体结构 | 第46-48页 |
| 4.2 流级别识别器 | 第48-51页 |
| 4.2.1 基于LSTM的流量序列编码器 | 第48-50页 |
| 4.2.2 半监督CFSFDP聚类 | 第50-51页 |
| 4.3 标签筛选机制 | 第51-53页 |
| 4.3.1 筛选方法 | 第52页 |
| 4.3.2 筛选系数 | 第52-53页 |
| 4.4 在线学习式网络流量识别 | 第53-56页 |
| 4.5 仿真实验 | 第56-59页 |
| 4.5.1 LSTM序列编码器的有效性 | 第56-57页 |
| 4.5.2 距离度量方式对流级别识别器的影响 | 第57页 |
| 4.5.3 筛选机制的有效性 | 第57-58页 |
| 4.5.4 筛选系数对模型性能的影响 | 第58-59页 |
| 4.6 本章小结 | 第59-60页 |
| 第五章 总结和展望 | 第60-64页 |
| 5.1 工作总结 | 第60-62页 |
| 5.2 工作展望 | 第62-64页 |
| 参考文献 | 第64-68页 |
| 致谢 | 第68-70页 |
| 攻读学位期间发表的学术论文 | 第70页 |
