面向安卓的恶意流量分类识别方法研究
| 致谢 | 第4-5页 |
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 1 引言 | 第10-15页 |
| 1.1 研究背景 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.2.1 传统Web网络流量研究现状 | 第11-13页 |
| 1.2.2 移动网络流量分类研究现状 | 第13页 |
| 1.3 论文研究内容 | 第13-14页 |
| 1.4 论文结构安排 | 第14-15页 |
| 2 相关技术介绍 | 第15-33页 |
| 2.1 网络流量分类方法 | 第15-26页 |
| 2.1.1 基于规则的流量分类方法 | 第15-16页 |
| 2.1.2 基于机器学习的流量分类方法 | 第16-22页 |
| 2.1.3 基于深度学习的流量分类方法 | 第22-26页 |
| 2.2 数据不平衡分类方法 | 第26-32页 |
| 2.2.1 基于数据的不平衡分类方法 | 第26-31页 |
| 2.2.2 基于算法的不平衡分类方法 | 第31-32页 |
| 2.3 本章小结 | 第32-33页 |
| 3 基于不平衡数据集过采样的安卓恶意流量分类技术 | 第33-48页 |
| 3.1 不平衡数据过采样方法概述 | 第33-34页 |
| 3.2 基于遗传繁殖原理的自适应过采样方法 | 第34-41页 |
| 3.2.1 遗传繁殖与多样性理论 | 第34-36页 |
| 3.2.2 所提方法的设计与实现 | 第36-39页 |
| 3.2.3 评价指标 | 第39-41页 |
| 3.3 实验及结果分析 | 第41-47页 |
| 3.3.1 实验配置 | 第41页 |
| 3.3.2 数据集描述 | 第41-43页 |
| 3.3.3 数据不平衡比例对分类器性能的影响 | 第43-44页 |
| 3.3.4 验证最优的采样倍率 | 第44-45页 |
| 3.3.5 与现有采样方法的对比 | 第45-47页 |
| 3.4 本章小结 | 第47-48页 |
| 4 基于栈式自编码的安卓恶意流量分类算法研究 | 第48-63页 |
| 4.1 基于会话的网络流量数据预处理 | 第48-51页 |
| 4.1.1 流量表征 | 第48-50页 |
| 4.1.2 网络流量预处理流程 | 第50-51页 |
| 4.2 基于栈式自编码网络的流量分类技术 | 第51-56页 |
| 4.2.1 栈式自编码网络 | 第51-52页 |
| 4.2.2 栈式自编码训练过程 | 第52-56页 |
| 4.2.3 评价指标 | 第56页 |
| 4.3 实验及结果分析 | 第56-62页 |
| 4.3.1 实验配置 | 第56页 |
| 4.3.2 数据集描述 | 第56-57页 |
| 4.3.3 网络流量输入长度验证 | 第57-58页 |
| 4.3.4 栈式自编码网络结构确定 | 第58-59页 |
| 4.3.5 预训练与微调 | 第59-60页 |
| 4.3.6 与现有方法对比 | 第60-62页 |
| 4.4 本章小结 | 第62-63页 |
| 5 总结与展望 | 第63-65页 |
| 5.1 总结 | 第63-64页 |
| 5.2 展望 | 第64-65页 |
| 参考文献 | 第65-70页 |
| 作者简历及攻读硕士学位期间取得的研究成果 | 第70-72页 |
| 学位论文数据集 | 第72页 |
