| 摘要 | 第1-5页 |
| ABSTRACT | 第5-10页 |
| 第一章 绪论 | 第10-15页 |
| ·论文的研究背景和研究意义 | 第10-11页 |
| ·国内外研究现状 | 第11-12页 |
| ·论文的主要研究内容 | 第12-13页 |
| ·论文的组织结构 | 第13-15页 |
| 第二章 网络流量分类模型 | 第15-26页 |
| ·网络流量分类模型的比较 | 第15-17页 |
| ·基于端口的网络流量分类模型局限性 | 第15页 |
| ·基于深度包检测(DPI)的网络流量分类模型局限性 | 第15-17页 |
| ·基于机器学习的网络流量分类模型的优势 | 第17页 |
| ·基于机器学习的流量分类 | 第17-21页 |
| ·用于机器学习的流量特征数据 | 第17-18页 |
| ·网络流的定义 | 第18-19页 |
| ·机器学习简介 | 第19-20页 |
| ·基于机器学习的流量分类模型 | 第20-21页 |
| ·决策树分类模型 | 第21-25页 |
| ·决策树表示 | 第21-22页 |
| ·决策树的构造过程 | 第22-23页 |
| ·构造决策树的关键步骤 | 第23-25页 |
| ·决策树的优缺点 | 第25页 |
| ·本章小结 | 第25-26页 |
| 第三章 基于代价敏感决策树的网络流量分类 | 第26-40页 |
| ·不平衡网络流量的分类 | 第26-28页 |
| ·网络流量的不平衡现象 | 第26-27页 |
| ·不平衡现象对流量分类的影响 | 第27页 |
| ·提高字节分类准确率的方法 | 第27-28页 |
| ·基于代价敏感决策树的网络流量分类 | 第28-34页 |
| ·C4.5_cs算法 | 第28-32页 |
| ·基于C4.5_cs算法的流量分类 | 第32-34页 |
| ·试验以及结果分析 | 第34-39页 |
| ·实验数据 | 第34-35页 |
| ·实验评价标准 | 第35-36页 |
| ·实验及结果分析 | 第36-39页 |
| ·本章小结 | 第39-40页 |
| 第四章 基于特征选择的C4.5 cs网络流量分类 | 第40-48页 |
| ·引入特征选择的必要性 | 第40页 |
| ·特征选择的基本理论 | 第40-42页 |
| ·特征选择定义 | 第40页 |
| ·特征选择的基本模型 | 第40-42页 |
| ·特征选择常用搜索技术 | 第42页 |
| ·结合卡方统计量、C4.5 cs和遗传算法搜索的特征选择算法 | 第42-45页 |
| ·采用卡方统计量来去除不相关特征 | 第43页 |
| ·结合C4.5 cs算法与遗传算法的特征寻优 | 第43-45页 |
| ·基于C4.5 cs和特征选择的流量分类 | 第45-47页 |
| ·实验及结果分析 | 第45-47页 |
| ·本章小结 | 第47-48页 |
| 第五章 网络流量分类原型系统的设计与实现 | 第48-62页 |
| ·系统总体设计 | 第48-50页 |
| ·系统设计 | 第48-49页 |
| ·流量采集部署 | 第49-50页 |
| ·流记录采集器的实现 | 第50-57页 |
| ·基于NetMate的流记录采集框架 | 第50-51页 |
| ·网络流特征计算 | 第51-55页 |
| ·网络流特征输出 | 第55-56页 |
| ·流记录采集器的配置 | 第56-57页 |
| ·中心分类器的实现 | 第57-60页 |
| ·中心分类器的设计 | 第57-58页 |
| ·模型训练算法的实现 | 第58-60页 |
| ·数据存储的实现 | 第60-61页 |
| ·本章小结 | 第61-62页 |
| 第六章 总结与展望 | 第62-64页 |
| ·论文总结 | 第62页 |
| ·进一步研究方向 | 第62-64页 |
| 参考文献 | 第64-69页 |
| 致谢 | 第69-70页 |
| 攻读学位期间主要的研究成果 | 第70页 |