| 摘要 | 第1-5页 |
| Abstract | 第5-6页 |
| 目录 | 第6-8页 |
| 1 绪论 | 第8-12页 |
| ·课题的研究背景及其意义 | 第8-9页 |
| ·国外和国内研究现状 | 第9-10页 |
| ·本文所做的主要工作 | 第10-11页 |
| ·本文组织结构 | 第11-12页 |
| 2 P2P 流量识别技术 | 第12-23页 |
| ·P2P 论述 | 第12-14页 |
| ·P2P 网络拓扑结构 | 第14-18页 |
| ·集中式拓扑模式 | 第14-16页 |
| ·分布式非结构化拓扑模式 | 第16-17页 |
| ·分布式结构化拓扑模式 | 第17-18页 |
| ·典型的 P2P 流量识别技术分析 | 第18-22页 |
| ·基于端口的识别技术 | 第18-19页 |
| ·深层数据包检测（DPI）技术 | 第19页 |
| ·基于机器学习的流量识别技术 | 第19-21页 |
| ·基于网络行为特征的 P2P 流量识别技术 | 第21-22页 |
| ·本章小结 | 第22-23页 |
| 3 P2P 流量的统计特征分析及提取 | 第23-33页 |
| ·P2P 流量统计特征分析 | 第23-28页 |
| ·数据包级特征 | 第26-27页 |
| ·数据流特征 | 第27-28页 |
| ·P2P 流量统计特征提取 | 第28-32页 |
| ·流的包大小的均方差 | 第28-29页 |
| ·流的持续时间 | 第29页 |
| ·流的包大小变换率 | 第29-30页 |
| ·流中数据包平均字节数 | 第30-31页 |
| ·下载与上传速度比 | 第31-32页 |
| ·本章小结 | 第32-33页 |
| 4 基于无监督学习的 P2P 流量识别算法 | 第33-42页 |
| ·典型 K-means 算法与基于密度的算法 | 第33-36页 |
| ·K-means 算法介绍 | 第33-34页 |
| ·DBSCAN 算法介绍 | 第34-35页 |
| ·贝叶斯信息准则（BIC） | 第35-36页 |
| ·基于 DBSCAN 改进的 K-means 算法 | 第36-41页 |
| ·相关概念和定义 | 第36-37页 |
| ·本文算法基本思想 | 第37-38页 |
| ·本文算法步骤描述 | 第38-41页 |
| ·本章小结 | 第41-42页 |
| 5 实验结果及其分析 | 第42-48页 |
| ·算法实现的结果分析 | 第42-44页 |
| ·算法运算时间及识别准确率的比较及分析 | 第44-47页 |
| ·算法运算的时间 | 第44-45页 |
| ·流量识别的准确率和误判率 | 第45-47页 |
| ·本章小结 | 第47-48页 |
| 6 结论与展望 | 第48-50页 |
| ·结论 | 第48页 |
| ·展望 | 第48-50页 |
| 参考文献 | 第50-53页 |
| 攻读硕士学位期间发表学位论文情况 | 第53-54页 |
| 攻读硕士学位期间参加项目情况 | 第54-55页 |
| 致谢 | 第55-56页 |