| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 第1章 绪论 | 第11-16页 |
| 1.1 课题研究的意义和目的 | 第11-12页 |
| 1.2 网络流量分类国内外的研究现状与趋势 | 第12-14页 |
| 1.2.1 网络流量分类国内外研究现状 | 第12-14页 |
| 1.2.2 网络流量分类的发展趋势 | 第14页 |
| 1.3 本文课题来源及研究内容 | 第14-15页 |
| 1.3.1 课题来源 | 第14页 |
| 1.3.2 课题的主要研究内容 | 第14-15页 |
| 1.4 论文的组织结构 | 第15-16页 |
| 第2章 迁移学习和在线学习概述 | 第16-25页 |
| 2.1 迁移学习方法研究现状及框架 | 第16-20页 |
| 2.1.1 迁移学习方法研究现状 | 第16-18页 |
| 2.1.2 迁移学习框架 | 第18-20页 |
| 2.2 在线学习方法研究现状及框架 | 第20-21页 |
| 2.2.1 在线学习方法研究现状 | 第20页 |
| 2.2.2 在线学习框架 | 第20-21页 |
| 2.3 实验数据及评价指标 | 第21-24页 |
| 2.4 本章小结 | 第24-25页 |
| 第3章 基于归纳式迁移学习的流分类方法 | 第25-34页 |
| 3.1 AdaBoost算法 | 第25-26页 |
| 3.2 TrAdaBoost方法 | 第26-29页 |
| 3.3 实验数据 | 第29-31页 |
| 3.4 实现结果分析 | 第31-32页 |
| 3.5 本章小结 | 第32-34页 |
| 第4章 基于直推式迁移学习的流分类方法 | 第34-42页 |
| 4.1 K-means和KNN方法概述 | 第34-36页 |
| 4.1.1 K-means算法概述 | 第34-35页 |
| 4.1.2 KNN算法概述 | 第35-36页 |
| 4.2 基于K-means和KNN的样本知识提取方法 | 第36-38页 |
| 4.3 实验数据 | 第38页 |
| 4.4 实验结果分析 | 第38-40页 |
| 4.5 本章小结 | 第40-42页 |
| 第5章 基于在线学习的流分类方法 | 第42-50页 |
| 5.1 基于在线学习的网络流量分类框架 | 第42-47页 |
| 5.1.1 在线朴素贝叶斯方法 | 第43-46页 |
| 5.1.2 在线逻辑回归方法 | 第46-47页 |
| 5.2 实验数据 | 第47-48页 |
| 5.3 实验结果分析 | 第48-49页 |
| 5.4 本章小结 | 第49-50页 |
| 结论 | 第50-52页 |
| 参考文献 | 第52-57页 |
| 攻读硕士学位期间所发表的学术论文 | 第57-58页 |
| 致谢 | 第58页 |