| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第11-21页 |
| 1.1 论文的研究背景 | 第11页 |
| 1.2 论文的研究目的和意义 | 第11-12页 |
| 1.3 流量分类技术研究现状与关键问题 | 第12-17页 |
| 1.3.1 流量分类技术研究现状 | 第12-16页 |
| 1.3.2 流量分类技术的关键问题 | 第16-17页 |
| 1.4 类不均衡问题分析与解决思路 | 第17-18页 |
| 1.5 论文的主要工作 | 第18-21页 |
| 第二章 基于K均值和K近邻的半监督流量分类算法 | 第21-33页 |
| 2.1 引言 | 第21-22页 |
| 2.2 基于CLUSTER-MAP的半监督流量分类模型分析 | 第22-24页 |
| 2.3 基于K均值与K近邻的半监督流量分类算法 | 第24-27页 |
| 2.3.1 KMkNN算法描述 | 第24-26页 |
| 2.3.2 基于KMkNN算法的流量分类模型 | 第26-27页 |
| 2.4 实验分析 | 第27-31页 |
| 2.4.1 实验数据 | 第27-28页 |
| 2.4.2 评价标准 | 第28页 |
| 2.4.3 实验结果分析 | 第28-31页 |
| 2.5 本章小结 | 第31-33页 |
| 第三章 基于随机特征子集的集成流量分类算法 | 第33-47页 |
| 3.1 引言 | 第33页 |
| 3.2 集成学习分类基本理论 | 第33-35页 |
| 3.2.1 集成学习分类模型 | 第33-34页 |
| 3.2.2 集成学习分类理论基础 | 第34-35页 |
| 3.3 基于集成学习的流量分类算法 | 第35-38页 |
| 3.3.1 基于随机特征子集的基分类器生成方法 | 第35-37页 |
| 3.3.2 结论合成方法 | 第37-38页 |
| 3.4 实验分析 | 第38-44页 |
| 3.4.1 实验数据和特征集合 | 第38-39页 |
| 3.4.2 实验结果及分析 | 第39-44页 |
| 3.5 本章小结 | 第44-47页 |
| 第四章 基于机器学习的离线流量分类系统设计与实现 | 第47-59页 |
| 4.1 系统总体设计 | 第47-48页 |
| 4.1.1 系统设计思想 | 第47页 |
| 4.1.2 系统整体结构 | 第47-48页 |
| 4.2 模块的设计和实现方法 | 第48-56页 |
| 4.2.1 数据采集模块 | 第48-50页 |
| 4.2.2 数据预处理模块 | 第50-54页 |
| 4.2.3 样本标注 | 第54-55页 |
| 4.2.4 流量分类模块 | 第55-56页 |
| 4.2.5 分类结果显示及评测模块 | 第56页 |
| 4.3 实际网络数据测试 | 第56-58页 |
| 4.3.1 实际网络数据准备 | 第56-57页 |
| 4.3.2 测试实验及结果 | 第57-58页 |
| 4.4 本章小结 | 第58-59页 |
| 第五章 结束语 | 第59-61页 |
| 5.1 论文工作总结 | 第59页 |
| 5.2 进一步工作展望 | 第59-61页 |
| 参考文献 | 第61-67页 |
| 致谢 | 第67-69页 |
| 作者简历 | 第69页 |