基于普适特征的网络流量决策树分类方法
| 中文摘要 | 第1-5页 |
| Abstract | 第5-8页 |
| 第一章 绪论 | 第8-17页 |
| ·研究背景 | 第8-9页 |
| ·研究的目的与意义 | 第9-11页 |
| ·国内外研究现状 | 第11-15页 |
| ·基于端口的识别方法 | 第11-12页 |
| ·深度数据包检测技术 | 第12页 |
| ·基于行为特征的检测技术 | 第12-13页 |
| ·基于数据挖掘的检测技术 | 第13-14页 |
| ·小结 | 第14-15页 |
| ·本文主要研究内容 | 第15页 |
| ·本文结构和安排 | 第15-17页 |
| 第二章 相关工作及存在问题 | 第17-27页 |
| ·引言 | 第17页 |
| ·基于数据挖掘的网络流量分类方法 | 第17-19页 |
| ·概述 | 第17-18页 |
| ·分类算法 | 第18页 |
| ·聚类算法 | 第18-19页 |
| ·基于分类算法的网络流量分类方法 | 第19-25页 |
| ·朴素贝叶斯分类 | 第19-21页 |
| ·决策树分类 | 第21-25页 |
| ·基于聚类算法的网络流量分类方法 | 第25-26页 |
| ·本章小结 | 第26-27页 |
| 第三章 网络流量分类模型的普适特征提取 | 第27-36页 |
| ·现有流量分类特征 | 第27-28页 |
| ·双向流特征属性分析 | 第28-31页 |
| ·通信模式 | 第29-30页 |
| ·载荷长度 | 第30页 |
| ·分组信息熵 | 第30-31页 |
| ·双向流特征属性集 | 第31-32页 |
| ·本章实验 | 第32-35页 |
| ·实验平台 | 第32页 |
| ·网络流量数据集 | 第32-33页 |
| ·实验设计 | 第33-34页 |
| ·评价指标 | 第34页 |
| ·实验结果 | 第34-35页 |
| ·本章小结 | 第35-36页 |
| 第四章 基于最短划分距离的决策树分类方法 | 第36-44页 |
| ·引言 | 第36-37页 |
| ·现有决策树分类方法 | 第37-40页 |
| ·基于信息熵的决策树 | 第37-40页 |
| ·基于基尼系数的决策树 | 第40页 |
| ·基于划分距离的决策树 | 第40-43页 |
| ·Mantaras范式距离 | 第41页 |
| ·基于最短划分距离的决策树 | 第41-43页 |
| ·本章小结 | 第43-44页 |
| 第五章 分类模型的优化 | 第44-51页 |
| ·决策树剪枝 | 第44-47页 |
| ·概述 | 第44-45页 |
| ·剪枝策略需要考虑的问题 | 第45-46页 |
| ·PEP方法 | 第46-47页 |
| ·流量特征属性处理 | 第47-50页 |
| ·流量特征选择与过滤 | 第47页 |
| ·流量特征离散化处理 | 第47-48页 |
| ·最短描述长度准则 | 第48-50页 |
| ·本章小结 | 第50-51页 |
| 第六章 实验 | 第51-61页 |
| ·实验环境 | 第51页 |
| ·网络流量数据与工具 | 第51-52页 |
| ·评价指标 | 第52页 |
| ·离线训练和验证 | 第52-57页 |
| ·确定待定参数N | 第52-54页 |
| ·不同分类算法的准确性对比 | 第54-55页 |
| ·抽样率对准确率的影响 | 第55-57页 |
| ·在线流量分类 | 第57-61页 |
| 第七章 总结与展望 | 第61-63页 |
| ·本文总结 | 第61-62页 |
| ·后续工作展望 | 第62-63页 |
| 参考文献 | 第63-68页 |
| 攻读硕士学位期间发表论文与研究成果 | 第68-69页 |
| 致谢 | 第69页 |
