IPv6网络流量分类识别技术研究
| 摘要 | 第1-4页 |
| ABSTRACT | 第4-9页 |
| 1 绪论 | 第9-16页 |
| ·课题背景及研究意义 | 第9-11页 |
| ·国内外研究现状 | 第11-13页 |
| ·基于熟知端口的分类阶段 | 第11-12页 |
| ·基于载荷的流量分类阶段 | 第12页 |
| ·基于流统计特征的机器学习流量分类阶段 | 第12-13页 |
| ·研究内容和创新点 | 第13-14页 |
| ·论文结构安排 | 第14-16页 |
| 2 基于网络流统计特征的流量分类流程 | 第16-30页 |
| ·流量分类识别流程概述 | 第16-17页 |
| ·数据处理过程 | 第17-24页 |
| ·数据采集 | 第17-18页 |
| ·网络流的定义 | 第18-20页 |
| ·网络流的标记和特征提取过程 | 第20-24页 |
| ·分类模型的构造 | 第24-26页 |
| ·属性特征最优子集的选择 | 第24页 |
| ·机器学习分类模型的构造 | 第24-26页 |
| ·分类模型性能的评估指标 | 第26-27页 |
| ·分类的准确率 | 第26-27页 |
| ·分类的时间效率 | 第27页 |
| ·未知应用流量的识别能力 | 第27页 |
| ·待解决的问题 | 第27-29页 |
| ·如何提高准确率和泛化性能 | 第28-29页 |
| ·未知流量的识别问题 | 第29页 |
| ·本章小结 | 第29-30页 |
| 3 多分类器集成流量分类方法 | 第30-43页 |
| ·相关概述 | 第30页 |
| ·多分类器集成模型 | 第30-37页 |
| ·集成学习简介 | 第30-31页 |
| ·多分类器集成方案 | 第31页 |
| ·基分类器的选择 | 第31-35页 |
| ·集成选择算法描述 | 第35-37页 |
| ·实验与结果分析 | 第37-42页 |
| ·实验内容 | 第37页 |
| ·实验数据 | 第37-38页 |
| ·准确率 | 第38-40页 |
| ·算法泛化性能 | 第40-41页 |
| ·时间开销 | 第41-42页 |
| ·本章小结 | 第42-43页 |
| 4 改进型 DBSCAN 聚类流量分类方法 | 第43-50页 |
| ·相关概述 | 第43页 |
| ·聚类算法在流量分类中的应用 | 第43-47页 |
| ·DBSCAN 算法介绍 | 第44页 |
| ·DBSCAN 改进算法 | 第44-47页 |
| ·网络流聚类实验 | 第47-49页 |
| ·实验设计 | 第47页 |
| ·实验结果及分析 | 第47-49页 |
| ·本章小结 | 第49-50页 |
| 5 流量分类识别系统的设计与实现 | 第50-58页 |
| ·相关概述 | 第50页 |
| ·后台系统设计与实现 | 第50-53页 |
| ·系统架构框架 | 第50-51页 |
| ·数据处理模块 | 第51-52页 |
| ·流量分类模块 | 第52-53页 |
| ·储存及过滤模块 | 第53页 |
| ·系统前台功能实现 | 第53-56页 |
| ·系统部署 | 第53页 |
| ·系统功能展示 | 第53-56页 |
| ·系统验证 | 第56-57页 |
| ·本章小结 | 第57-58页 |
| 6 总结与展望 | 第58-60页 |
| ·论文总结 | 第58-59页 |
| ·进一步研究展望 | 第59-60页 |
| 致谢 | 第60-61页 |
| 参考文献 | 第61-64页 |
| 附录 | 第64页 |
| A. 作者在攻读学位期间发表的论文目录 | 第64页 |
| B. 作者在攻读学位期间所参与的项目 | 第64页 |
