校园网络行为与流量预测分析研究
摘要 | 第5-6页 |
Abstract | 第6-7页 |
第1章 绪论 | 第13-23页 |
1.1 研究意义 | 第13页 |
1.2 高校校园网现状介绍 | 第13-18页 |
1.2.1 国内外校园网背景及发展现状 | 第13-15页 |
1.2.2 校园网主要网络服务及特点 | 第15-16页 |
1.2.3 校园网主要缺陷 | 第16-17页 |
1.2.4 校园网面临主要问题 | 第17-18页 |
1.3 国内外研究现状 | 第18-20页 |
1.4 主要研究内容 | 第20-21页 |
1.5 本文结构安排 | 第21-23页 |
第2章 校园网用户上网行为分析方法 | 第23-30页 |
2.1 用户行为分析概论 | 第23-26页 |
2.1.1 校园网络用户的基本概念 | 第23页 |
2.1.2 网络用户行为的概念及特征 | 第23-25页 |
2.1.3 网络用户行为的表示 | 第25页 |
2.1.4 网络用户行为分析 | 第25-26页 |
2.2 网络用户行为分析的过程 | 第26-29页 |
2.2.1 用户行为分析的整体流程 | 第26页 |
2.2.2 数据挖掘的主要工作 | 第26-28页 |
2.2.3 网络用户行为分析的主要阶段 | 第28页 |
2.2.4 本文采用的方法 | 第28-29页 |
2.3 本章小结 | 第29-30页 |
第三章 校园网用户行为分析 | 第30-53页 |
3.1 数据采集 | 第30-35页 |
3.1.1 数据采集环境 | 第30-31页 |
3.1.2 网络流量识别 | 第31-33页 |
3.1.3 数据获取与分析 | 第33-34页 |
3.1.4 流量的数据特征 | 第34-35页 |
3.2 数据预处理 | 第35-38页 |
3.2.1 数据清理 | 第35-36页 |
3.2.2 数据集成阶段 | 第36页 |
3.2.3 数据变换 | 第36-38页 |
3.3 统计分析 | 第38-39页 |
3.3.1 统计分析概述 | 第38页 |
3.3.2 数值运算 | 第38-39页 |
3.4 聚类分析 | 第39-46页 |
3.4.1 聚类分析概述 | 第39-40页 |
3.4.2 聚类方法的数据结构 | 第40页 |
3.4.3 区间标度变量 | 第40页 |
3.4.4 聚类算法的类别 | 第40-42页 |
3.4.5 数据聚类分析法的实验分析 | 第42-46页 |
3.5 用户行为结果分析 | 第46-50页 |
3.6 网络流量高峰期 | 第50-52页 |
3.7 本章小结 | 第52-53页 |
第4章 流量预测方法分析 | 第53-59页 |
4.1 概述 | 第53页 |
4.2 FARIMA模型 | 第53页 |
4.3 小波变换 | 第53-54页 |
4.4 神经网络模型 | 第54-55页 |
4.5 小波神经网络组合模型 | 第55页 |
4.6 BP神经网络 | 第55-57页 |
4.7 模型使用方法分析 | 第57-58页 |
4.8 本章小结 | 第58-59页 |
第5章 组合模型及神经网络网络流量预测 | 第59-71页 |
5.1 概述 | 第59页 |
5.2 数据来源 | 第59-62页 |
5.3 BP神经网络算法 | 第62-64页 |
5.4 BP神经网络流量预测实现 | 第64-67页 |
5.4.1 预测实验 | 第64页 |
5.4.2 归一化处理 | 第64-65页 |
5.4.3 训练与预测 | 第65-67页 |
5.5 预测数据分析流量报告 | 第67-69页 |
5.6 小波神经网络模型的预测结果 | 第69-70页 |
5.7 本章小结 | 第70-71页 |
结论 | 第71-74页 |
参考文献 | 第74-78页 |
致谢 | 第78页 |