基于支持向量机的网络流量分类检测系统的研究与实现
| 提要 | 第1-5页 |
| 摘要 | 第5-7页 |
| Abstract | 第7-12页 |
| 第1章 绪论 | 第12-16页 |
| ·研究背景与意义 | 第12-13页 |
| ·研究背景 | 第12页 |
| ·流量分类的意义 | 第12-13页 |
| ·传统的流量分类方法 | 第13-15页 |
| ·基于端口映射的流量分类方法 | 第13-14页 |
| ·基于载荷内容分析的流量分类方法 | 第14-15页 |
| ·论文结构 | 第15页 |
| ·本章小结 | 第15-16页 |
| 第2章 流量分类 | 第16-25页 |
| ·流量分类基础知识 | 第16-18页 |
| ·流定义 | 第16-17页 |
| ·流量分类的基本过程 | 第17-18页 |
| ·基于机器学习的分类的理论基础 | 第18-21页 |
| ·特征选择 | 第18页 |
| ·训练-交叉验证 | 第18-19页 |
| ·预测-评估标准 | 第19-21页 |
| ·基于机器学习的分类算法的研究 | 第21-24页 |
| ·无指导的机器学习流量分类方法 | 第21-23页 |
| ·有指导的机器学习流量分类方法 | 第23-24页 |
| ·半指导的机器学习流量分类方法 | 第24页 |
| ·本章小结 | 第24-25页 |
| 第3章 支持向量机理论研究 | 第25-37页 |
| ·SLT 理论基础 | 第25-28页 |
| ·经验风险最小化原则 | 第25-26页 |
| ·推广性的界 | 第26-27页 |
| ·结构化风险最小化理论 | 第27-28页 |
| ·支持向量机理论 | 第28-34页 |
| ·最优分类超平面 | 第29-30页 |
| ·线性不可分问题 | 第30-32页 |
| ·广义线性分类法 | 第32-34页 |
| ·单类支持向量机 | 第34-36页 |
| ·本章小结 | 第36-37页 |
| 第4章 基于 OCSVM 的网络流量分类器的实现 | 第37-48页 |
| ·实验步骤 | 第37页 |
| ·数据集获取与处理 | 第37-41页 |
| ·数据采集 | 第37-39页 |
| ·数据集抽样 | 第39-40页 |
| ·格式转换 | 第40页 |
| ·归一化处理 | 第40-41页 |
| ·交叉验证与参数选择 | 第41-45页 |
| ·改进的九模交叉验证法 | 第41-42页 |
| ·核函数参数σ | 第42-43页 |
| ·平衡参数 v | 第43页 |
| ·OCSVM 参数选择 | 第43-44页 |
| ·参数选择数据集 | 第44-45页 |
| ·单类分类模型的实现 | 第45-47页 |
| ·网格搜索 | 第45-47页 |
| ·单类分类器的设计与评估 | 第47页 |
| ·本章小结 | 第47-48页 |
| 第5章 改进的单类流量检测器 | 第48-65页 |
| ·设计流程 | 第48-49页 |
| ·特征选择 | 第49-51页 |
| ·FCBF 算法 | 第49-51页 |
| ·实验评估 | 第51页 |
| ·单类分类模型的初步实现 | 第51-54页 |
| ·参数选择数据集 | 第51-52页 |
| ·评估分类检测器测试数据集 | 第52页 |
| ·单类检测器的实现 | 第52-54页 |
| ·参数选择寻优算法 | 第54-64页 |
| ·改进的 V-GS | 第54-57页 |
| ·基于动态惯性因子的粒子群算法 | 第57-60页 |
| ·权重值模拟退火法 | 第60-62页 |
| ·遗传与蚁群算法对比评估 | 第62-64页 |
| ·改进的分类模型实现对比 | 第64页 |
| ·本章小结 | 第64-65页 |
| 第6章 总结与展望 | 第65-67页 |
| ·总结 | 第65页 |
| ·展望 | 第65-67页 |
| 参考文献 | 第67-71页 |
| 作者简介及在学期间所取得的科研成果 | 第71-72页 |
| 致谢 | 第72页 |
