基于机器学习的网络流量分类技术研究与应用
| 摘要 | 第1-6页 |
| Abstract | 第6-8页 |
| 目录 | 第8-11页 |
| Contents | 第11-14页 |
| 插图清单 | 第14-15页 |
| 附表清单 | 第15-16页 |
| 1 绪论 | 第16-19页 |
| ·研究背景 | 第16页 |
| ·研究现状 | 第16-17页 |
| ·主要研究内容及本文组织结构 | 第17-19页 |
| 2 网络流量分类方法概述 | 第19-25页 |
| ·网络流量及流量分类的定义 | 第19-21页 |
| ·TCP/IP协议族 | 第19-20页 |
| ·网络流的概念 | 第20页 |
| ·网络流量分类的定义 | 第20-21页 |
| ·基于知名端口号的流量分类算法概述 | 第21-22页 |
| ·基于特征字匹配的流量分类算法概述 | 第22-23页 |
| ·基于机器学习的流量分类算法概述 | 第23-25页 |
| 3 基于机器学习的网络流量分类算法研究 | 第25-36页 |
| ·基于朴素贝叶斯分类模型的网络流量分类 | 第25-26页 |
| ·贝叶斯法则 | 第25页 |
| ·朴素贝叶斯分类算法 | 第25-26页 |
| ·基于C4.5决策树的网络流量分类 | 第26-29页 |
| ·决策树简介 | 第26-28页 |
| ·C4.5决策树分类算法 | 第28-29页 |
| ·基于支持向量机的网络流量分类 | 第29-34页 |
| ·支持向量机简介 | 第29-30页 |
| ·最优分类超平面 | 第30-32页 |
| ·线性不可分的支持向量机 | 第32-34页 |
| ·基于集成学习的网络流量分类 | 第34-36页 |
| ·集成学习的概念 | 第34页 |
| ·集成学习的流程 | 第34-36页 |
| 4 基于机器学习的网络流量分类算法改进 | 第36-45页 |
| ·基于支持向量机的网络流量分类算法改进 | 第36-40页 |
| ·基于信息增益率的流量属性选择 | 第36-37页 |
| ·基于质心的样本缩减策略 | 第37-40页 |
| ·基于结果反馈的机器学习分类算法 | 第40-45页 |
| ·误判集合与样本相似 | 第40-42页 |
| ·基于结果反馈的机器学习分类算法流程 | 第42-45页 |
| 5 基于机器学习的网络流量分类算法应用 | 第45-64页 |
| ·网络流量样本数据的获取 | 第45-52页 |
| ·常用流量采集工具 | 第45-48页 |
| ·流量属性的确定 | 第48-50页 |
| ·网络流样本的标记 | 第50-52页 |
| ·连续数据的离散化 | 第52-54页 |
| ·实验及结果分析 | 第54-60页 |
| ·数据集与实验工具 | 第54-56页 |
| ·实验评价指标 | 第56-57页 |
| ·实验结果分析 | 第57-60页 |
| ·改进算法的实验验证 | 第60-64页 |
| ·基于支持向量机的网络流量分类改进算法实验 | 第60-61页 |
| ·基于结果反馈的机器学习分类算法实验 | 第61-64页 |
| 6 总结与展望 | 第64-66页 |
| ·文章总结 | 第64-65页 |
| ·今后的工作 | 第65-66页 |
| 参考文献 | 第66-72页 |
| 致谢 | 第72-74页 |
| 作者简介及读研期间主要科研成果 | 第74页 |
