基于机器学习的P2P流量识别算法研究
| 致谢 | 第4-5页 |
| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 1.绪论 | 第10-16页 |
| 1.1 研究背景和意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-12页 |
| 1.3 论文主要内容 | 第12-13页 |
| 1.4 论文组织结构 | 第13-16页 |
| 2.P2P技术分析 | 第16-32页 |
| 2.1 P2P相关概念 | 第16-24页 |
| 2.1.1 P2P的定义 | 第16-17页 |
| 2.1.2 P2P的网络结构 | 第17-21页 |
| 2.1.3 P2P的网络特点 | 第21-23页 |
| 2.1.4 P2P技术应用 | 第23-24页 |
| 2.2 P2P流量识别技术分析 | 第24-29页 |
| 2.2.1 基于端.的识别 | 第24-25页 |
| 2.2.2 基于应用层数据的识别 | 第25-26页 |
| 2.2.3 基于传输层特征的识别 | 第26-28页 |
| 2.2.4 基于机器学习法的识别 | 第28-29页 |
| 2.3 P2P流量控制技术分析 | 第29-30页 |
| 2.4 本章小结 | 第30-32页 |
| 3.基于机器学习的P2P流量识别算法分析与研究 | 第32-44页 |
| 3.1 机器学习机理 | 第32-33页 |
| 3.2 基于机器学习的P2P流量识别技术分析 | 第33-37页 |
| 3.2.1 P2P流量的统计特征 | 第34-35页 |
| 3.2.2 机器学习算法分析 | 第35-37页 |
| 3.3 典型算法分析研究 | 第37-41页 |
| 3.3.1 BP神经网络 | 第38-39页 |
| 3.3.2 朴素贝叶斯 | 第39-40页 |
| 3.3.3 支持向量机 | 第40-41页 |
| 3.4 现有算法综合分析 | 第41-42页 |
| 3.5 本章小结 | 第42-44页 |
| 4.基于K均值与决策树的P2P流量识别算法研究 | 第44-56页 |
| 4.1 基于K均值的半监督聚类 | 第44-49页 |
| 4.1.1 K均值聚类 | 第44-46页 |
| 4.1.2 改进的K均值半监督聚类 | 第46-49页 |
| 4.2 决策树模型 | 第49-52页 |
| 4.2.1 模型原理 | 第49页 |
| 4.2.2 决策树构建过程 | 第49-52页 |
| 4.3 基于K均值与决策树的识别方法研究 | 第52-55页 |
| 4.3.1 基本思想 | 第52-53页 |
| 4.3.2 数据预处理阶段 | 第53页 |
| 4.3.3 分类器训练阶段 | 第53-54页 |
| 4.3.4 分类器测试阶段 | 第54页 |
| 4.3.5 分类器分类阶段 | 第54-55页 |
| 4.4 本章小结 | 第55-56页 |
| 5.实验与结果分析 | 第56-64页 |
| 5.1 实验准备 | 第56-57页 |
| 5.1.1 实验数据 | 第56-57页 |
| 5.1.2 实验环境 | 第57页 |
| 5.2 特征选择 | 第57-58页 |
| 5.3 实验结果与分析 | 第58-63页 |
| 5.3.1 评估策略 | 第58-60页 |
| 5.3.2 结果分析 | 第60-63页 |
| 5.4 本章小结 | 第63-64页 |
| 6.总结与展望 | 第64-66页 |
| 6.1 论文总结 | 第64-65页 |
| 6.2 下一步工作 | 第65-66页 |
| 参考文献 | 第66-70页 |
| 作者简介 | 第70-72页 |
| 学位论文数据集 | 第72页 |
