| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第9-15页 |
| 1.1 研究背景 | 第9-11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.3 研究内容和各章安排 | 第13-15页 |
| 第二章 基于机器学习的流量分类相关理论介绍 | 第15-27页 |
| 2.1 统计数据无量纲化处理 | 第15-17页 |
| 2.1.1 极差正规化方法 | 第15-16页 |
| 2.1.2 标准化方法 | 第16页 |
| 2.1.3 均值化方法 | 第16-17页 |
| 2.2 常见的相关性指标 | 第17-20页 |
| 2.2.1 信息增益率 | 第17-18页 |
| 2.2.2 皮尔森相关系数 | 第18-19页 |
| 2.2.3 斯皮尔曼等级相关系数 | 第19-20页 |
| 2.3 连续型数据离散化处理 | 第20-21页 |
| 2.4 网络流量分类评价指标 | 第21-22页 |
| 2.5 SVM简介 | 第22-26页 |
| 2.6 本章小结 | 第26-27页 |
| 第三章 基于特征选取的SVM级联分类器 | 第27-50页 |
| 3.1 皮尔森相关系数适用条件判断 | 第27-32页 |
| 3.1.1 判断是否线性相关 | 第27-30页 |
| 3.1.2 判断是否符合正态分布 | 第30-32页 |
| 3.2 基于特征选取的SVM级联分类器设计 | 第32-36页 |
| 3.2.1 基本思想 | 第33-34页 |
| 3.2.2 设计过程 | 第34-36页 |
| 3.3 实验分析 | 第36-45页 |
| 3.3.1 实验设计 | 第36-37页 |
| 3.3.2 数据集 | 第37-38页 |
| 3.3.3 流统计特征 | 第38页 |
| 3.3.4 实验过程及结果分析 | 第38-45页 |
| 3.4 计算复杂度分析 | 第45-49页 |
| 3.4.1 本文方法的计算复杂度 | 第45-48页 |
| 3.4.2 基于信息增益率的特征选取方法的计算复杂度 | 第48-49页 |
| 3.5 本章小结 | 第49-50页 |
| 第四章 网络游戏与网络视频短序列流实时分类 | 第50-57页 |
| 4.1 基本思想 | 第50-51页 |
| 4.2 实验分析 | 第51-56页 |
| 4.2.1 短序列流数据集 | 第51页 |
| 4.2.2 实验过程及结果分析 | 第51-56页 |
| 4.3 本章小结 | 第56-57页 |
| 第五章 长时间尺度下网络游戏流统计特征的稳定性 | 第57-67页 |
| 5.1 基本思想 | 第57页 |
| 5.2 实验分析 | 第57-66页 |
| 5.2.1 数据集 | 第57-58页 |
| 5.2.2 流统计特征均值分析 | 第58-62页 |
| 5.2.3 最佳特征组合分析 | 第62-66页 |
| 5.3 本章小结 | 第66-67页 |
| 第六章 总结与展望 | 第67-69页 |
| 6.1 总结 | 第67-68页 |
| 6.2 展望 | 第68-69页 |
| 参考文献 | 第69-71页 |
| 附录1 攻读硕士学位期间撰写的论文 | 第71-72页 |
| 附录2 攻读硕士学位期间申请的专利 | 第72-73页 |
| 附录3 攻读硕士学位期间参加的科研项目 | 第73-74页 |
| 致谢 | 第74页 |