| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第11-23页 |
| 1.1 课题研究背景与意义 | 第11-14页 |
| 1.2 课题研究现状 | 第14-19页 |
| 1.2.1 流量测量技术研究现状 | 第14-18页 |
| 1.2.2 异常流检测技术研究现状 | 第18-19页 |
| 1.3 当前研究中存在的问题 | 第19页 |
| 1.4 本文研究方案与章节安排 | 第19-23页 |
| 第二章 基于流数估计的网络安全态势感知算法 | 第23-35页 |
| 2.1 引言 | 第23-24页 |
| 2.2 相关研究 | 第24-25页 |
| 2.3 流量抽样估计的基本概念 | 第25-26页 |
| 2.3.1 流的相关定义 | 第25页 |
| 2.3.2 抽样模型 | 第25-26页 |
| 2.4 原始流数的推断 | 第26-29页 |
| 2.4.1 小流的流数估计 | 第26-27页 |
| 2.4.2 GS迭代算法模型 | 第27-29页 |
| 2.4.3 GS迭代算法的收敛性 | 第29页 |
| 2.5 实验结果与分析 | 第29-33页 |
| 2.5.1 复杂度分析与比较 | 第29-30页 |
| 2.5.2 迭代算法估计精度对比 | 第30-33页 |
| 2.6 本章小结 | 第33-35页 |
| 第三章 基于自适应抽样的异常流选择性抽样算法 | 第35-49页 |
| 3.1 相关研究 | 第35-36页 |
| 3.2 自适应抽样流算法 | 第36-44页 |
| 3.2.1 抽样模型 | 第37-38页 |
| 3.2.2 理论分析 | 第38-42页 |
| 3.2.3 存储开销 | 第42-44页 |
| 3.3 仿真与结果分析 | 第44-48页 |
| 3.3.1 真实网络流量下的仿真实验 | 第44-46页 |
| 3.3.2 异常流量下的仿真实验 | 第46-48页 |
| 3.4 本章小结 | 第48-49页 |
| 第四章 基于特征选择方法与神经网络分类器的异常流检测算法 | 第49-63页 |
| 4.1 相关研究 | 第49-50页 |
| 4.2 MMIFS特征选择算法 | 第50-52页 |
| 4.3 RRBF神经网络与学习算法 | 第52-56页 |
| 4.3.1 RRBF神经网络模型 | 第52页 |
| 4.3.2 基于结构风险最小化的极速学习机算法 | 第52-56页 |
| 4.4 仿真与结果分析 | 第56-61页 |
| 4.4.1 数据来源与预处理 | 第56页 |
| 4.4.2 MMIFS算法选择特征子集 | 第56-58页 |
| 4.4.3 检测性能比较 | 第58-61页 |
| 4.5 本章小结 | 第61-63页 |
| 第五章 结束语 | 第63-65页 |
| 5.1 本文的主要研究成果与创新点 | 第63页 |
| 5.2 下一步研究工作展望 | 第63-65页 |
| 致谢 | 第65-67页 |
| 参考文献 | 第67-71页 |
| 作者简历 | 第71页 |