| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 目录 | 第7-9页 |
| 图录 | 第9-10页 |
| 表录 | 第10-11页 |
| 第一章 绪论 | 第11-17页 |
| 1.1 研究背景及意义 | 第11-12页 |
| 1.2 研究现状 | 第12-14页 |
| 1.2.1 基于端口的识别技术 | 第12-13页 |
| 1.2.2 基于应用层签名的识别技术 | 第13页 |
| 1.2.3 基于行为特征的识别技术 | 第13-14页 |
| 1.2.4 基于流统计特征的识别技术 | 第14页 |
| 1.3 研究内容与主要创新点 | 第14-16页 |
| 1.4 本文结构安排 | 第16-17页 |
| 第二章 P2P 流媒体与机器学习识别算法分析 | 第17-25页 |
| 2.1 引言 | 第17页 |
| 2.2 P2P 流媒体介绍 | 第17-20页 |
| 2.2.1 P2P 流媒体系统架构与运行机理 | 第17-19页 |
| 2.2.2 P2P 流媒体与 P2P 文件共享比较 | 第19-20页 |
| 2.2.3 P2P 直播与点播比较 | 第20页 |
| 2.3 基于机器学习方法的流识别 | 第20-24页 |
| 2.3.1 机器学习识别算法的原理 | 第20页 |
| 2.3.2 机器学习识别算法的流程 | 第20-21页 |
| 2.3.3 特征选取 | 第21-22页 |
| 2.3.4 机器学习算法 | 第22页 |
| 2.3.5 基于机器学习的 P2P 流媒体识别算法评价标准： | 第22-24页 |
| 2.4 本章小结 | 第24-25页 |
| 第三章 基于多特征联合的 P2P 流媒体类识别 | 第25-39页 |
| 3.1 引言 | 第25页 |
| 3.2 基于多特征联合的 P2P 流媒体类识别算法 | 第25-26页 |
| 3.3 特征提取 | 第26-33页 |
| 3.3.1 行为特征分析提取 | 第26-30页 |
| 3.3.2 流量特征提取 | 第30-32页 |
| 3.3.3 P2P 流媒体识别特征选取 | 第32-33页 |
| 3.4 机器学习识别算法选取 | 第33-34页 |
| 3.5 实验结果 | 第34-37页 |
| 3.5.1 实验数据集 | 第34页 |
| 3.5.2 实验结果比较 | 第34-37页 |
| 3.6 本章小结 | 第37-39页 |
| 第四章 基于加速型 SVM 的 P2P 流媒体应用识别方法 | 第39-53页 |
| 4.1 引言 | 第39页 |
| 4.2 特征提取 | 第39-42页 |
| 4.3 基于加速型 SVM 的 P2P 流媒体应用识别 | 第42-48页 |
| 4.3.1 SVM 算法简介 | 第42-43页 |
| 4.3.2 加速型 SVM 原理 | 第43-47页 |
| 4.3.3 基于加速型 SVM 算法的 P2P 流媒体应用识别流程 | 第47-48页 |
| 4.4 实验结果 | 第48-52页 |
| 4.4.1 实验数据集 | 第48页 |
| 4.4.2 算法复杂度分析 | 第48-50页 |
| 4.4.3 实验结果分析 | 第50-52页 |
| 4.5 总结 | 第52-53页 |
| 第五章 基于超级节点匹配的 P2P 流媒体检测系统设计与实现 | 第53-63页 |
| 5.1 引言 | 第53页 |
| 5.2 基于 P2P 超级节点匹配的 P2P 流媒体检测系统设计 | 第53-55页 |
| 5.2.1 网络层 | 第54页 |
| 5.2.2 功能层 | 第54-55页 |
| 5.3 模块详细设计与实现 | 第55-58页 |
| 5.3.1 网络层处理流程 | 第55-56页 |
| 5.3.2 P2P 流媒体训练模块与 P2P 流媒体识别模块 | 第56-58页 |
| 5.3.3 P2P 流媒体超级节点库和识别结果存储模块 | 第58页 |
| 5.4 系统性能测试 | 第58-62页 |
| 5.4.1 测试环境 | 第58-59页 |
| 5.4.2 测试流程 | 第59-60页 |
| 5.4.3 测试结果 | 第60-62页 |
| 5.5 本章小结 | 第62-63页 |
| 第六章 结束语 | 第63-65页 |
| 致谢 | 第65-67页 |
| 参考文献 | 第67-71页 |
| 作者简历 | 第71页 |
