| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第1章 绪论 | 第8-12页 |
| 1.1 研究的背景及意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-10页 |
| 1.3 论文主要研究内容 | 第10页 |
| 1.4 论文的组织结构 | 第10-12页 |
| 第2章 网络流量识别的理论知识概述 | 第12-20页 |
| 2.1 特征处理方法 | 第12-13页 |
| 2.2 网络流量识别的概念 | 第13页 |
| 2.3 传统的流量识别方法 | 第13-15页 |
| 2.4 基于机器学习的流量识别方法 | 第15-17页 |
| 2.5 评价标准 | 第17-18页 |
| 2.6 本章小结 | 第18-20页 |
| 第3章 基于K-L变换的Relief F特征选择算法研究 | 第20-30页 |
| 3.1 流量特征 | 第20页 |
| 3.2 K-L变换 | 第20-22页 |
| 3.3 ReliefF算法 | 第22-24页 |
| 3.4 KL-RF算法 | 第24-28页 |
| 3.4.1 KL-RF算法的提出 | 第24页 |
| 3.4.2 KL-RF算法描述及分析 | 第24-26页 |
| 3.4.3 KL-RF算法流程 | 第26-28页 |
| 3.5 本章小结 | 第28-30页 |
| 第4章 网络流量识别算法的研究 | 第30-44页 |
| 4.1 SVM识别算法 | 第30-35页 |
| 4.1.1 SVM的工作原理 | 第30-33页 |
| 4.1.2 核函数 | 第33-34页 |
| 4.1.3 SVM的训练算法 | 第34页 |
| 4.1.4 SVM分类方法 | 第34-35页 |
| 4.2 AdaBoost算法 | 第35-37页 |
| 4.3 改进的AdaBoost-SVM算法 | 第37-43页 |
| 4.3.1 算法的提出 | 第37-38页 |
| 4.3.2 算法的改进 | 第38-40页 |
| 4.3.3 改进算法的分析 | 第40-41页 |
| 4.3.4 改进算法的流程 | 第41-43页 |
| 4.4 本章小结 | 第43-44页 |
| 第5章 基于机器学习的网络流量识别仿真 | 第44-52页 |
| 5.1 实验环境和实验数据 | 第44-46页 |
| 5.2 KL-RF算法的仿真及结果分析 | 第46-50页 |
| 5.3 改进的AdaBoost-SVM算法的仿真与结果分析 | 第50页 |
| 5.4 本章小结 | 第50-52页 |
| 结论 | 第52-54页 |
| 参考文献 | 第54-58页 |
| 致谢 | 第58页 |