基于机器学习的异常流量检测
| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 目录 | 第6-8页 |
| 第一章 绪论 | 第8-11页 |
| 1.1 研究背景和研究意义 | 第8页 |
| 1.2 异常流量描述 | 第8-9页 |
| 1.3 论文研究内容和组织结构 | 第9-11页 |
| 第二章 异常流量检测与机器学习方法 | 第11-20页 |
| 2.1 异常流量检测研究 | 第11-13页 |
| 2.1.1 异常流量检测研究现状 | 第11-13页 |
| 2.1.2 分析总结 | 第13页 |
| 2.2 机器学习分类算法研究现状 | 第13-16页 |
| 2.2.1 无监督机器学习方法 | 第13-15页 |
| 2.2.2 有监督机器学习方法 | 第15-16页 |
| 2.3 决策树算法概述 | 第16-19页 |
| 2.3.1 决策树表示 | 第16-17页 |
| 2.3.2 决策树构造步骤 | 第17-18页 |
| 2.3.3 决策树关键技术 | 第18-19页 |
| 2.4 本章小结 | 第19-20页 |
| 第三章 流量分析 | 第20-35页 |
| 3.1 异常流量分析 | 第20-25页 |
| 3.1.1 PcShare 分析 | 第20-22页 |
| 3.1.2 Xpigeon 分析 | 第22-23页 |
| 3.1.3 上兴远控 | 第23-25页 |
| 3.2 常用的正常流量分析 | 第25-26页 |
| 3.3 网络流量候选特征产生 | 第26-29页 |
| 3.4 特征选择算法 | 第29-34页 |
| 3.4.1 利用特征选择算法的必要性 | 第29-30页 |
| 3.4.2 特征选择算法介绍 | 第30-32页 |
| 3.4.3 基于属性关联的混合式特征选择算法 | 第32-34页 |
| 3.5 本章小结 | 第34-35页 |
| 第四章 异常流量检测系统方案 | 第35-46页 |
| 4.1 系统总体设计 | 第35-37页 |
| 4.2 特征计算 | 第37-41页 |
| 4.2.1 数据文件格式 | 第37-38页 |
| 4.2.2 特征提取算法 | 第38-41页 |
| 4.3 相似度计算 | 第41-43页 |
| 4.3.1 相似度计算方法 | 第41-42页 |
| 4.3.2 相似度值过滤方法 | 第42-43页 |
| 4.4 基于 C4.5 的流量分类 | 第43-45页 |
| 4.4.1 C4.5 算法介绍 | 第43-44页 |
| 4.4.2 C4.5 算法生成树 | 第44-45页 |
| 4.4.3 剪枝处理 | 第45页 |
| 4.5 本章小结 | 第45-46页 |
| 第五章 实验与分析 | 第46-63页 |
| 5.1 Weka 实验平台介绍 | 第46-49页 |
| 5.1.1 Weka 简介 | 第46页 |
| 5.1.2 Weka 功能介绍 | 第46-48页 |
| 5.1.3 属性选择操作 | 第48页 |
| 5.1.4 Weka 工作流程 | 第48-49页 |
| 5.2 实验数据集 | 第49-52页 |
| 5.2.1 WinPcap 工具介绍 | 第49-50页 |
| 5.2.2 数据采集方法 | 第50-51页 |
| 5.2.3 数据集描述 | 第51-52页 |
| 5.3 实验内容 | 第52-62页 |
| 5.3.1 特征计算与特征选择 | 第52-57页 |
| 5.3.2 构造决策树模型 | 第57-58页 |
| 5.3.3 结果分析 | 第58-62页 |
| 5.4 本章小结 | 第62-63页 |
| 第六章 总结与展望 | 第63-65页 |
| 6.1 论文总结 | 第63页 |
| 6.2 不足与展望 | 第63-65页 |
| 参考文献 | 第65-68页 |
| 附录 1 攻读硕士学位期间参加的科研项目 | 第68-69页 |
| 致谢 | 第69页 |
