| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 1 绪论 | 第9-14页 |
| 1.1 研究背景及意义 | 第9-10页 |
| 1.2 Spark的研究现状 | 第10-11页 |
| 1.3 网络流量异常检测的研究现状 | 第11-12页 |
| 1.4 论文研究内容及结构安排 | 第12-14页 |
| 2 Spark实时组件相关技术 | 第14-27页 |
| 2.1 Spark生态系统BDAS | 第14-18页 |
| 2.1.1 Spark SQL技术 | 第14-15页 |
| 2.1.2 Spark Streaming技术 | 第15-17页 |
| 2.1.3 Spark Streaming的编程模型 | 第17-18页 |
| 2.2 Flume数据采集组件 | 第18-21页 |
| 2.2.1 Flume和Kafka技术 | 第18-19页 |
| 2.2.2 Flume数据采集组件 | 第19-21页 |
| 2.3 Kafka数据采集组件 | 第21-25页 |
| 2.3.1 Kafka架构 | 第22-23页 |
| 2.3.2 Kafka负载均衡 | 第23-25页 |
| 2.4 本章小结 | 第25-27页 |
| 3 网络流量异常检测系统 | 第27-44页 |
| 3.1 网络流量异常检测 | 第27-31页 |
| 3.1.1 并行化网络流量异常检测 | 第27-29页 |
| 3.1.2 决策树算法和随机森林算法 | 第29-31页 |
| 3.2 网络数据的K-means聚类 | 第31-37页 |
| 3.2.1 K-means算法 | 第31页 |
| 3.2.2 K-means算法步骤 | 第31-35页 |
| 3.2.3 K-means的算法模型改进 | 第35-37页 |
| 3.3 网络流量异常系统架构 | 第37-43页 |
| 3.3.1 系统设计 | 第37-39页 |
| 3.3.2 Flume日志采集模块 | 第39页 |
| 3.3.3 Spark平台网络异常信息的处理 | 第39-43页 |
| 3.4 本章小结 | 第43-44页 |
| 4 数据测试及结果分析 | 第44-56页 |
| 4.1 测试环境和平台搭建 | 第44-47页 |
| 4.2 测试数据集和结果分析 | 第47-55页 |
| 4.2.1 测试数据集 | 第47-51页 |
| 4.2.2 K-means聚类测试结果分析 | 第51-53页 |
| 4.2.3 随机森林算法异常分类测试结果分析 | 第53-55页 |
| 4.3 本章小结 | 第55-56页 |
| 结论 | 第56-57页 |
| 致谢 | 第57-58页 |
| 参考文献 | 第58-60页 |
| 附录A 实时聚类模块源代码 | 第60-62页 |
| 攻读硕士学位期间参与的科研项目 | 第62页 |