支持向量机在P2P网络流量检测中的应用
| 摘要 | 第1-6页 |
| ABSTRACT | 第6-12页 |
| 第1章 绪论 | 第12-17页 |
| ·课题研究来源及研究的目的和意义 | 第12-13页 |
| ·国内外研究现状 | 第13-15页 |
| ·P2P 流量研究现状 | 第13-14页 |
| ·支持向量机的研究现状 | 第14-15页 |
| ·论文的主要工作 | 第15页 |
| ·论文的结构安排 | 第15-17页 |
| 第2章 P2P 技术及其流量检测概述 | 第17-28页 |
| ·P2P 技术概述 | 第17-21页 |
| ·P2P 定义 | 第17页 |
| ·P2P 网络结构 | 第17-20页 |
| ·P2P 网络特点 | 第20-21页 |
| ·P2P 流量检测问题分析 | 第21-22页 |
| ·P2P 流量特征 | 第21页 |
| ·P2P 流量控制中存在的问题 | 第21-22页 |
| ·P2P 流量检测技术 | 第22-27页 |
| ·基于固定端口的检测技术 | 第22-23页 |
| ·基于深层数据包检测技术 | 第23-25页 |
| ·基于流量特征的检测技术 | 第25-27页 |
| ·本章小结 | 第27-28页 |
| 第3章 统计学习理论及LS-SVM 算法改进 | 第28-43页 |
| ·引言 | 第28页 |
| ·机器学习的基本数学问题 | 第28-31页 |
| ·问题的数学模型表示 | 第28-29页 |
| ·经验风险最小化 | 第29-30页 |
| ·复杂性与推广能力 | 第30-31页 |
| ·统计学习理论的核心内容 | 第31-34页 |
| ·VC 维 | 第31页 |
| ·推广性的界 | 第31-32页 |
| ·结构风险最小化原则 | 第32-34页 |
| ·支持向量机理论 | 第34-39页 |
| ·广义最优分类面与线性可分 | 第34-37页 |
| ·线性不可分与核函数 | 第37-39页 |
| ·改进最小二乘支持向量机 | 第39-42页 |
| ·LS-SVM 原理 | 第39-41页 |
| ·改进LS-SVM 算法 | 第41-42页 |
| ·本章小结 | 第42-43页 |
| 第4章 基于SVM 的P2P 流量检测方法 | 第43-58页 |
| ·基于SVM 的P2P 流量检测方法分析 | 第43页 |
| ·问题描述及理论思想 | 第43-45页 |
| ·网络流量样本特征提取 | 第45-48页 |
| ·数据采集 | 第45-46页 |
| ·特征提取 | 第46-48页 |
| ·数据预处理 | 第48-49页 |
| ·核函数的选取 | 第49-50页 |
| ·交叉组合法选取核参数及参数分析 | 第50-53页 |
| ·检测流程 | 第53-55页 |
| ·实验结果及分析 | 第55-56页 |
| ·本章小结 | 第56-58页 |
| 第5章 优化SVM 改进支持向量机多分类算法 | 第58-67页 |
| ·经典多分类SVM | 第58-62页 |
| ·一对一(1-vs-1)分类器 | 第58-59页 |
| ·一对多(1-vs-all)分类器 | 第59-60页 |
| ·决策导向非循环图支持向量机 | 第60-62页 |
| ·基于二分类SVM 的改进策略 | 第62-64页 |
| ·实验及结果分析 | 第64-66页 |
| ·实验数据及参数选择 | 第64页 |
| ·模型结构 | 第64-65页 |
| ·测试分类器及实验结果分析 | 第65-66页 |
| ·本章小结 | 第66-67页 |
| 结论 | 第67-69页 |
| 参考文献 | 第69-74页 |
| 攻读学位期间发表的学术论文 | 第74-75页 |
| 致谢 | 第75页 |
