| 摘要 | 第1-6页 |
| Abstract | 第6-10页 |
| 插图索引 | 第10-11页 |
| 附表索引 | 第11-12页 |
| 第1章 绪论 | 第12-20页 |
| ·选题背景及意义 | 第12-13页 |
| ·国内外研究现状 | 第13-17页 |
| ·基于端口识别的方法 | 第14页 |
| ·基于有效载荷的P2P 流量识别方法 | 第14-16页 |
| ·基于传输层的P2P 流量识别方法 | 第16页 |
| ·基于机器学习的流量识别技术 | 第16-17页 |
| ·本文的主要工作 | 第17-18页 |
| ·论文的结构 | 第18-20页 |
| 第2章 BitTorrent 介绍 | 第20-27页 |
| ·BitTorrent 原理概述 | 第20-25页 |
| ·种子文件 | 第21-22页 |
| ·跟踪服务器 | 第22-23页 |
| ·客户端 | 第23-25页 |
| ·BT 下载工具 | 第25-26页 |
| ·小结 | 第26-27页 |
| 第3章 一种基于多特征字符串的BT 流量识别技术 | 第27-39页 |
| ·引言 | 第27页 |
| ·BT 协议特征字串的提取 | 第27-29页 |
| ·基于多特征字符串的BT 流量识别算法的设计 | 第29-30页 |
| ·基于多特征字符串的BT 流量识别技术的实现方案 | 第30-33页 |
| ·TMCS 分类器结构 | 第30页 |
| ·TMCS 分类器的实现 | 第30-33页 |
| ·实验及结果分析 | 第33-38页 |
| ·实验环境 | 第33-34页 |
| ·准确性 | 第34-38页 |
| ·小结 | 第38-39页 |
| 第4章 一种基于改进K-Means 的BT 流量早识别方法 | 第39-54页 |
| ·引言 | 第39页 |
| ·聚类算法的介绍 | 第39-42页 |
| ·K-Means 算法介绍 | 第42-45页 |
| ·K-Means 算法简介 | 第42-43页 |
| ·K-Means 算法应用到早发现方法中的不足 | 第43-45页 |
| ·基于改进的K-Means 的 BT 流量早识别算法实现 | 第45-50页 |
| ·改进 K-Means 算法 | 第45-46页 |
| ·离线学习阶段 | 第46-49页 |
| ·在线识别阶段 | 第49-50页 |
| ·实验及结果分析 | 第50-53页 |
| ·数据集合的描述 | 第50-51页 |
| ·假阳性 | 第51-52页 |
| ·假阴性 | 第52-53页 |
| ·小结 | 第53-54页 |
| 第5章 基于小包分析的BT 流量识别技术 | 第54-68页 |
| ·引言 | 第54页 |
| ·BT 流量小包特征 | 第54-59页 |
| ·从 BT 协议中提取的特征 | 第54-56页 |
| ·从 BT 数据中提取出来的特征 | 第56-59页 |
| ·基于小包分析的BT 流量识别算法的设计 | 第59-61页 |
| ·MASP 分类器的设计 | 第59-60页 |
| ·MASP++分类器设计 | 第60-61页 |
| ·实验及结果分析 | 第61-67页 |
| ·数据集合 | 第61页 |
| ·普通环境下的实验及结果分析 | 第61-63页 |
| ·采样环境下的实验及结果分析 | 第63-67页 |
| ·小结 | 第67-68页 |
| 结论 | 第68-70页 |
| 参考文献 | 第70-74页 |
| 致谢 | 第74-75页 |
| 附录 A 攻读硕士学位期间发表的论文目录 | 第75-76页 |
| 附录 B 攻读硕士学位期间所参加的项目 | 第76页 |