基于机器学习的异常流量检测系统的设计与实现
| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第9-15页 |
| 1.1 课题研究背景及意义 | 第9-10页 |
| 1.2 国内外研究现状及发展趋势 | 第10-13页 |
| 1.2.1 规则匹配 | 第10-11页 |
| 1.2.2 统计分析 | 第11-12页 |
| 1.2.3 数据挖掘 | 第12-13页 |
| 1.3 本论文的研究内容 | 第13-14页 |
| 1.4 论文组织结构 | 第14-15页 |
| 第二章 异常流量检测技术分析 | 第15-20页 |
| 2.1 网络异常行为分析 | 第15-16页 |
| 2.2 基于特征规则的异常流量检测 | 第16-17页 |
| 2.3 基于统计分析的异常流量检测 | 第17-18页 |
| 2.4 基于机器学习的异常流量检测 | 第18-19页 |
| 2.5 检测技术分析总结 | 第19-20页 |
| 第三章 机器学习分类算法研究 | 第20-28页 |
| 3.1 机器学习算法概述 | 第20-21页 |
| 3.1.1 无监督机器学习方法 | 第20-21页 |
| 3.1.2 有监督机器学习方法 | 第21页 |
| 3.2 决策树算法概述 | 第21-23页 |
| 3.3 随机森林算法概述 | 第23-24页 |
| 3.4 GBDT算法概述 | 第24-26页 |
| 3.5 机器学习工具包介绍 | 第26-27页 |
| 3.5.1 Weka | 第26页 |
| 3.5.2 SKlearn | 第26页 |
| 3.5.3 Xgboost | 第26-27页 |
| 3.6 机器学习算法分析总结 | 第27-28页 |
| 第四章 基于机器学习的异常流量检测模型设计 | 第28-44页 |
| 4.1 模型架构 | 第28页 |
| 4.2 数据预处理模块 | 第28-29页 |
| 4.3 特征解析模块 | 第29-40页 |
| 4.3.1 特征提取过程 | 第30-35页 |
| 4.3.2 特征选择算法 | 第35-40页 |
| 4.4 数据去重与量化模块 | 第40页 |
| 4.5 机器学习模块 | 第40-44页 |
| 4.5.1 模型评估指标 | 第40-42页 |
| 4.5.2 模型选择过程 | 第42-43页 |
| 4.5.3 模型训练过程 | 第43页 |
| 4.5.4 模型测试过程 | 第43页 |
| 4.5.5 模型更新过程 | 第43-44页 |
| 第五章 基于机器学习的异常流量检测系统实现 | 第44-53页 |
| 5.1 实验数据集 | 第44页 |
| 5.2 特征提取过程实验 | 第44-49页 |
| 5.2.1 特征选择实验 | 第45-46页 |
| 5.2.2 特征排序结果 | 第46页 |
| 5.2.3 特征优化实验 | 第46-49页 |
| 5.3 机器学习算法选择实验 | 第49-50页 |
| 5.4 分布式部署架构 | 第50-51页 |
| 5.5 本章小结 | 第51-53页 |
| 第六章 工作总结与展望 | 第53-56页 |
| 6.1 研究工作总结 | 第53-55页 |
| 6.2 不足与展望 | 第55-56页 |
| 参考文献 | 第56-59页 |
| 致谢 | 第59-60页 |
| 攻读硕士期间发表的学术论文目录 | 第60页 |
