| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第12-18页 |
| 1.1 研究背景及意义 | 第12页 |
| 1.2 国内外研究现状 | 第12-16页 |
| 1.2.1 传统的协议识别技术的研究现状 | 第12-13页 |
| 1.2.2 基于机器学习的协议识别技术的研究现状 | 第13-16页 |
| 1.3 论文的主要工作及结构安排 | 第16-18页 |
| 第二章 面向多媒体流量的数据包自适应抽样方法 | 第18-30页 |
| 2.1 引言 | 第18页 |
| 2.2 特征的相关性分析 | 第18-20页 |
| 2.3 EAPM系统模型 | 第20-25页 |
| 2.3.1 理想抽样模型 | 第20-22页 |
| 2.3.2 多输出支持向量回归机 | 第22-23页 |
| 2.3.3 自适应抽样策略 | 第23-25页 |
| 2.4 实验分析 | 第25-28页 |
| 2.4.1 计算复杂度分析 | 第25-26页 |
| 2.4.2 抽样性能分析 | 第26页 |
| 2.4.3 分类性能分析 | 第26-28页 |
| 2.5 本章小结 | 第28-30页 |
| 第三章 基于类标记扩展的半监督网络数据特征选择方法 | 第30-38页 |
| 3.1 引言 | 第30页 |
| 3.2 SFSEL系统模型 | 第30-34页 |
| 3.2.1 基于K-means的样本标记扩展 | 第30-32页 |
| 3.2.2 基于MDrSVM算法的特征选择 | 第32-33页 |
| 3.2.3 SFSEL方法描述 | 第33-34页 |
| 3.3 实验分析 | 第34-37页 |
| 3.3.1 实验数据 | 第34-35页 |
| 3.3.2 实验结果及分析 | 第35-37页 |
| 3.4 本章小结 | 第37-38页 |
| 第四章 基于半监督学习的未知网络协议识别方法 | 第38-57页 |
| 4.1 引言 | 第38页 |
| 4.2 基于改进直推式支持向量机的识别方法 | 第38-46页 |
| 4.2.1 问题描述 | 第38-39页 |
| 4.2.2 UPCTSVM工作原理 | 第39-42页 |
| 4.2.3 实验分析 | 第42-46页 |
| 4.2.3.1 实验数据 | 第42-44页 |
| 4.2.3.2 实验结果分析 | 第44-46页 |
| 4.3 基于半监督聚类集成的识别方法 | 第46-54页 |
| 4.3.1 问题描述 | 第46-47页 |
| 4.3.2 UPCSS系统模型 | 第47-50页 |
| 4.3.2.1 标记样本扩展 | 第47-48页 |
| 4.3.2.2 半监督聚类集成 | 第48-50页 |
| 4.3.2.3 协议细化分 | 第50页 |
| 4.3.2.4 计算复杂度分析 | 第50页 |
| 4.3.3 实验结果分析 | 第50-54页 |
| 4.4 本章小结 | 第54-57页 |
| 第五章 结束语 | 第57-60页 |
| 5.1 论文工作总结 | 第57-58页 |
| 5.2 进一步工作展望 | 第58-60页 |
| 致谢 | 第60-62页 |
| 参考文献 | 第62-68页 |
| 作者简历 | 第68页 |