摘要 | 第5-6页 |
Abstract | 第6-7页 |
第1章 绪论 | 第10-17页 |
1.1 课题研究的背景和意义 | 第10-11页 |
1.2 网络流分类技术的研究现状 | 第11-15页 |
1.2.1 传统网络流分类技术 | 第11-13页 |
1.2.2 基于流统计特征和机器学习的网络流分类技术 | 第13-14页 |
1.2.3 基于商业硬件平台的网络流分类技术 | 第14-15页 |
1.3 网络流分类技术的发展趋势 | 第15页 |
1.4 课题的来源及研究内容 | 第15-16页 |
1.4.1 课题来源 | 第15页 |
1.4.2 课题的主要研究内容 | 第15-16页 |
1.5 论文的组织结构和内容安排 | 第16-17页 |
第2章 并行计算、实验平台及评价标准 | 第17-25页 |
2.1 并行计算方法 | 第17-21页 |
2.1.1 MapReduce并行计算框架 | 第17-18页 |
2.1.2 GPU并行计算 | 第18-21页 |
2.2 实验平台 | 第21-22页 |
2.2.1 集群配置 | 第21页 |
2.2.2 GPU实验平台 | 第21-22页 |
2.3 评价标准 | 第22-24页 |
2.3.1 基准数据集 | 第22-23页 |
2.3.2 评价指标 | 第23-24页 |
2.4 本章小结 | 第24-25页 |
第3章 基于MapReduce的并行网络流分类方法 | 第25-34页 |
3.1 问题简述 | 第25-26页 |
3.2 基于MapReduce框架和机器学习的网络流分类方法 | 第26-30页 |
3.2.1 朴素贝叶斯 | 第26-28页 |
3.2.2 随机森林 | 第28-30页 |
3.3 实验结果分析 | 第30-33页 |
3.4 本章小结 | 第33-34页 |
第4章 基于GPU的支持向量机网络流分类方法 | 第34-46页 |
4.1 问题简述 | 第34-35页 |
4.2 支持向量机网络流分类方法 | 第35-38页 |
4.2.1 支持向量机理论 | 第35-37页 |
4.2.2 基于SVM的网络流分类方法 | 第37-38页 |
4.3 基于GPU的SVM网络流分类方法 | 第38-42页 |
4.3.1 训练阶段优化 | 第38-41页 |
4.3.2 分类阶段优化 | 第41-42页 |
4.4 实验结果分析 | 第42-45页 |
4.5 本章小结 | 第45-46页 |
第5章 网络流量采集与分析系统 | 第46-63页 |
5.1 系统概述 | 第46-47页 |
5.2 系统总体分析和设计 | 第47-50页 |
5.2.1 功能模块划分 | 第47-48页 |
5.2.2 系统架构 | 第48-49页 |
5.2.3 应用场景分析 | 第49-50页 |
5.3 系统实现 | 第50-56页 |
5.3.1 软硬件环境 | 第50页 |
5.3.2 网络流量采集模块 | 第50-51页 |
5.3.3 流量数据存储模块 | 第51-52页 |
5.3.4 流量数据分析模块 | 第52-54页 |
5.3.5 系统可视化模块 | 第54-56页 |
5.4 系统测试 | 第56-62页 |
5.4.1 客户端功能测试 | 第56-58页 |
5.4.2 服务器端功能测试 | 第58-62页 |
5.5 本章小结 | 第62-63页 |
结论 | 第63-65页 |
参考文献 | 第65-70页 |
攻读硕士学位期间所发表的学术论文 | 第70-71页 |
致谢 | 第71页 |