SDN网络流量测量方法研究
| 摘要 | 第5-7页 |
| abstract | 第7-8页 |
| 第一章 绪论 | 第13-18页 |
| 1.1 研究工作的背景与意义 | 第13页 |
| 1.2 国内外研究历史与现状 | 第13-15页 |
| 1.2.1 网络流量测量研究现状 | 第13-14页 |
| 1.2.2 大流检测研究现状 | 第14-15页 |
| 1.2.3 流量应用识别研究现状 | 第15页 |
| 1.3 本文的主要贡献与创新 | 第15-16页 |
| 1.4 本论文的结构安排 | 第16-18页 |
| 第二章 SDN全网协作式网络流量测量方法研究 | 第18-40页 |
| 2.1 背景介绍 | 第18页 |
| 2.2 全网协作式测量系统 | 第18-22页 |
| 2.2.1 选择器和测量器的协作 | 第21页 |
| 2.2.2 测量器资源管理 | 第21-22页 |
| 2.2.3 选择器和测量器的放置问题 | 第22页 |
| 2.3 测量任务部署问题 | 第22-33页 |
| 2.3.1 问题复杂性分析 | 第23-24页 |
| 2.3.2 问题建模 | 第24-26页 |
| 2.3.3 拉格朗日松弛 | 第26-29页 |
| 2.3.4 对偶问题D | 第29-30页 |
| 2.3.5 LPSAM算法 | 第30-32页 |
| 2.3.6 ILPSAM算法 | 第32-33页 |
| 2.4 仿真测试对比 | 第33-37页 |
| 2.4.1 仿真测试算法及指标 | 第33-34页 |
| 2.4.2 仿真测试环境 | 第34页 |
| 2.4.3 仿真结果 | 第34-37页 |
| 2.5 本章小结 | 第37-40页 |
| 第三章 基于强化学习的大流检测方法 | 第40-58页 |
| 3.1 问题背景和研究现状 | 第40-41页 |
| 3.2 问题建模 | 第41-43页 |
| 3.3 最少周期内测量所有流 | 第43-47页 |
| 3.3.1 问题描述与分析 | 第43-45页 |
| 3.3.2 算法描述 | 第45-47页 |
| 3.3.3 算法仿真对比测试 | 第47页 |
| 3.4 TCAM资源受限下的最优流选择 | 第47-55页 |
| 3.4.1 问题描述 | 第47-49页 |
| 3.4.2 算法描述 | 第49-52页 |
| 3.4.3 仿真测试对比 | 第52-55页 |
| 3.4.3.1 仿真环境与仿真指标 | 第52-53页 |
| 3.4.3.2 仿真结果 | 第53-55页 |
| 3.5 本章小结 | 第55-58页 |
| 第四章 SDN网络中基于机器学习的流量识别方法 | 第58-71页 |
| 4.1 问题背景 | 第58页 |
| 4.2 FlowRadar | 第58-61页 |
| 4.3 大流检测 | 第61-66页 |
| 4.3.1 输入构造 | 第62页 |
| 4.3.2 算法模型 | 第62-63页 |
| 4.3.3 仿真及对比测试 | 第63-66页 |
| 4.3.3.1 仿真环境 | 第63-64页 |
| 4.3.3.2 仿真结果 | 第64-66页 |
| 4.4 流量应用识别 | 第66-69页 |
| 4.4.1 问题 | 第66页 |
| 4.4.2 训练数据 | 第66-67页 |
| 4.4.3 仿真及结果 | 第67-69页 |
| 4.5 本章小结 | 第69-71页 |
| 第五章 全文总结与展望 | 第71-73页 |
| 5.1 全文总结 | 第71-72页 |
| 5.2 后续工作展望 | 第72-73页 |
| 致谢 | 第73-74页 |
| 参考文献 | 第74-76页 |
| 攻读硕士学位期间取得的成果 | 第76页 |
