| 摘要 | 第4-5页 |
| ABSTRACT | 第5页 |
| 第一章 绪论 | 第8-18页 |
| 1.1 研究背景 | 第8-12页 |
| 1.2 国内外研究现状 | 第12-16页 |
| 1.2.1 常用的网络业务流识别分类方法 | 第12-14页 |
| 1.2.2 基于机器学习的网络业务流识别分类方法 | 第14-15页 |
| 1.2.3 网页浏览与视频分类方法研究现状 | 第15-16页 |
| 1.3 本文主要工作和组织结构 | 第16-18页 |
| 第二章 基于机器学习的网络流量分类相关理论介绍 | 第18-24页 |
| 2.1 网络业务流定义 | 第18页 |
| 2.2 网络流量分类评价指标 | 第18-19页 |
| 2.3 基于机器学习的网络业务流分类模型 | 第19-21页 |
| 2.4 两种常用的监督机器学习分类器 | 第21-23页 |
| 2.4.1 支持向量机分类器简介 | 第21-23页 |
| 2.4.2 K-近邻算法简介 | 第23页 |
| 2.5 本章小结 | 第23-24页 |
| 第三章 新型特征选择方法 | 第24-32页 |
| 3.1 特征选择概述 | 第24-26页 |
| 3.1.1 特征选择的基本框架 | 第24-25页 |
| 3.1.2 特征选择的搜索策略 | 第25页 |
| 3.1.3 特征选择的评价函数 | 第25-26页 |
| 3.2 基于方差系数的新型特征选择方法 | 第26-28页 |
| 3.2.1 基本思想 | 第26-27页 |
| 3.2.2 算法步骤 | 第27-28页 |
| 3.3 计算复杂性分析 | 第28-31页 |
| 3.3.1 本文方法的计算复杂度 | 第28页 |
| 3.3.2 基于信息增益的特征选择方法的计算复杂度 | 第28-30页 |
| 3.3.3 基于卡方检验的特征选择方法的计算复杂度 | 第30-31页 |
| 3.4 本章小结 | 第31-32页 |
| 第四章 改进的方差系数特征选择方法及特征分析 | 第32-44页 |
| 4.1 改进方法的基本思想 | 第32-33页 |
| 4.2 改进方法的基本步骤 | 第33页 |
| 4.3 改进方法的计算复杂度分析 | 第33-34页 |
| 4.4 特征分析与选择 | 第34-43页 |
| 4.4.1 网络业务流的QoS统计特征 | 第34-35页 |
| 4.4.2 数据包大小相关统计特征 | 第35-37页 |
| 4.4.3 数据包到达时间间隔的相关统计特征 | 第37-39页 |
| 4.4.4 下行字节速率分析 | 第39-40页 |
| 4.4.5 特征选择 | 第40-43页 |
| 4.5 本章小结 | 第43-44页 |
| 第五章 网络业务流分类实验 | 第44-54页 |
| 5.1 实验I——网页浏览与网络视频业务分类 | 第44-51页 |
| 5.1.1 实验设计 | 第44-46页 |
| 5.1.2 数据集 | 第46-47页 |
| 5.1.3 实验结果及分析 | 第47-51页 |
| 5.2 实验II——短时流的识别与分类 | 第51-53页 |
| 5.2.1 实验设计 | 第51页 |
| 5.2.2 短时流数据集 | 第51-52页 |
| 5.2.3 实验结果及分析 | 第52-53页 |
| 5.3 本章小结 | 第53-54页 |
| 第六章 总结与展望 | 第54-56页 |
| 6.1 总结 | 第54-55页 |
| 6.2 展望 | 第55-56页 |
| 参考文献 | 第56-59页 |
| 附录1 攻读硕士学位期间撰写的论文 | 第59-60页 |
| 附录2 攻读硕士学位期间申请的专利 | 第60-61页 |
| 附录3 攻读硕士学位期间参加的科研项目 | 第61-62页 |
| 致谢 | 第62页 |