基于机器学习的网络流量分类系统设计与实现
| 中文摘要 | 第3-4页 |
| 英文摘要 | 第4-5页 |
| 1 绪论 | 第8-13页 |
| 1.1 研究背景 | 第8页 |
| 1.2 国内外研究现状 | 第8-10页 |
| 1.3 研究意义与目的 | 第10-11页 |
| 1.4 论文主要工作 | 第11-13页 |
| 2 网络流量识别与分类技术 | 第13-20页 |
| 2.1 网络流量识别与分类的基础概念 | 第13-15页 |
| 2.1.1 网络数据帧 | 第13-14页 |
| 2.1.2 网络数据流 | 第14页 |
| 2.1.3 流量识别与分类 | 第14页 |
| 2.1.4 性能判别指标 | 第14-15页 |
| 2.2 基于熟知端口号 | 第15-16页 |
| 2.3 基于应用层特征签名 | 第16-17页 |
| 2.4 基于应用流的统计特征 | 第17-18页 |
| 2.5 本章小结 | 第18-20页 |
| 3 基于机器学习的网络流量分类算法 | 第20-31页 |
| 3.1 朴素贝叶斯 | 第20-22页 |
| 3.1.1 贝叶斯定理 | 第20-21页 |
| 3.1.2 朴素贝叶斯分类算法 | 第21-22页 |
| 3.2 支持向量机 | 第22-27页 |
| 3.2.1 线性可分的SVM | 第22-24页 |
| 3.2.2 线性不可分的SVM | 第24页 |
| 3.2.3 多值SVM分类器 | 第24-26页 |
| 3.2.4 基于SVM的流量分类算法 | 第26-27页 |
| 3.3 C4.5 决策树 | 第27-30页 |
| 3.3.1 决策树简介 | 第27-29页 |
| 3.3.2 C4.5 决策树分类算法 | 第29-30页 |
| 3.4 本章小结 | 第30-31页 |
| 4 在线网络流量分类模型设计 | 第31-45页 |
| 4.1 流量分类模型构建过程 | 第31页 |
| 4.2 数据预处理 | 第31-33页 |
| 4.2.1 数据来源 | 第31-32页 |
| 4.2.2 应用标记 | 第32-33页 |
| 4.2.3 特征提取 | 第33页 |
| 4.3 数据模型 | 第33-36页 |
| 4.4 流量分类模型构建与验证结果分析 | 第36-44页 |
| 4.4.1 模型构建工具及平台 | 第36页 |
| 4.4.2 分类模型性能评估方法 | 第36-38页 |
| 4.4.3 分层抽样下的模型构建及结果分析 | 第38-42页 |
| 4.4.4 均匀抽样下的模型构建及结果分析 | 第42-44页 |
| 4.5 本章小结 | 第44-45页 |
| 5 在线网络流量分类原型系统设计与实现 | 第45-56页 |
| 5.1 系统平台搭建 | 第45-46页 |
| 5.1.1 系统软硬件平台 | 第45页 |
| 5.1.2 系统部署 | 第45-46页 |
| 5.2 功能模块设计与实现 | 第46-51页 |
| 5.2.1 流量采集与流特征提取 | 第46-48页 |
| 5.2.2 网络流分类 | 第48-50页 |
| 5.2.3 页面展示 | 第50-51页 |
| 5.3 系统测试 | 第51-55页 |
| 5.3.1 测试环境 | 第51页 |
| 5.3.2 性能测试及结果分析 | 第51-52页 |
| 5.3.3 功能测试及结果展示 | 第52-55页 |
| 5.4 本章小结 | 第55-56页 |
| 6 总结与展望 | 第56-58页 |
| 6.1 总结 | 第56-57页 |
| 6.2 后续工作展望 | 第57-58页 |
| 致谢 | 第58-59页 |
| 参考文献 | 第59-61页 |
