| 摘要 | 第1-5页 |
| ABSTRACT | 第5-10页 |
| 第一章 引言 | 第10-13页 |
| ·课题研究背景 | 第10-11页 |
| ·国内外的研究现状 | 第11页 |
| ·本文解决的关键技术 | 第11页 |
| ·基于k-means和自适应谐振理论的网络流量分类方法的提出和实现 | 第11-12页 |
| ·本论文的安排 | 第12-13页 |
| 第二章 研究背景 | 第13-21页 |
| ·网络流量分类 | 第13-15页 |
| ·机器学习方法 | 第15-19页 |
| ·基于有监督机器学习方法 | 第15-18页 |
| ·基于无监督机器学习方法 | 第18-19页 |
| ·现有的网络流量分类产品 | 第19-20页 |
| ·小结 | 第20-21页 |
| 第三章 网络流量分类系统的关键技术 | 第21-28页 |
| ·小波压缩 | 第21-22页 |
| ·k-means算法 | 第22-23页 |
| ·自适应谐振理论 | 第23-27页 |
| ·人工神经网络 | 第23-24页 |
| ·自适应谐振理论 | 第24-27页 |
| ·小结 | 第27-28页 |
| 第四章 网络流量分类系统的设计 | 第28-49页 |
| ·搭建试验环境 | 第29页 |
| ·实验中的Trace | 第29-32页 |
| ·分流 | 第32-33页 |
| ·特征提取 | 第33-37页 |
| ·数据正规化 | 第37页 |
| ·小波压缩 | 第37-40页 |
| ·自适应谐振网络的设计和实现 | 第40-47页 |
| ·自适应谐振网络的设计原则 | 第40-41页 |
| ·自适应谐振网络的编程实现 | 第41-47页 |
| ·k-means的编程实现 | 第47-48页 |
| ·实验结果 | 第48页 |
| ·小结 | 第48-49页 |
| 第五章 总结与展望 | 第49-50页 |
| 致谢 | 第50-51页 |
| 参考文献 | 第51-54页 |
| 攻读硕士学位期间发表的学术论文 | 第54页 |