| 摘要 | 第2-4页 |
| ABSTRACT | 第4-6页 |
| 第一章 绪论 | 第10-19页 |
| 第一节 研究背景及意义 | 第10-12页 |
| 一、研究背景 | 第10-11页 |
| 二、研究意义 | 第11-12页 |
| 第二节 文献综述 | 第12-16页 |
| 一、国内外研究现状 | 第12-16页 |
| 二、现有研究述评 | 第16页 |
| 第三节 研究内容及框架 | 第16-18页 |
| 一、研究内容 | 第16-17页 |
| 二、研究框架 | 第17-18页 |
| 第四节 可能的创新点 | 第18-19页 |
| 一、异常流量识别指标体系的创新 | 第18页 |
| 二、异常流量识别降维方法的创新 | 第18页 |
| 三、Stacking集成学习算法的引入 | 第18-19页 |
| 第二章 异常流量识别相关理论与方法阐述 | 第19-30页 |
| 第一节 特征提取相关理论 | 第19-21页 |
| 一、自编码 | 第19-21页 |
| 二、稀疏自编码 | 第21页 |
| 第二节 分类器相关理论 | 第21-30页 |
| 一、基础分类器 | 第21-28页 |
| 二、Stacking集成学习算法 | 第28-30页 |
| 第三章 异常流量用户特征分析 | 第30-47页 |
| 第一节 基于异常流量用户特征分析的数据准备 | 第30-36页 |
| 一、数据源简介 | 第30-31页 |
| 二、数据准备 | 第31-36页 |
| 第二节 数据预处理 | 第36-38页 |
| 一、缺失值处理 | 第36页 |
| 二、相关分析 | 第36-38页 |
| 第三节 异常流量投诉用户基本特征分析 | 第38-47页 |
| 一、投诉特征分析 | 第38-40页 |
| 二、流量使用行为特征分析 | 第40-42页 |
| 三、上网时间特征分析 | 第42-43页 |
| 四、APP及终端系统特征分析 | 第43-47页 |
| 第四章 用户异常流量识别 | 第47-73页 |
| 第一节 基于用户异常流量识别的数据准备 | 第47-53页 |
| 一、用户异常流量识别指标预选 | 第47-50页 |
| 二、非异常流量投诉用户筛选 | 第50-51页 |
| 三、数据获取与预处理 | 第51-52页 |
| 四、用户异常流量识别指标体系确立 | 第52-53页 |
| 第二节 基于基分类器的用户异常流量识别 | 第53-60页 |
| 一、数据预处理 | 第54页 |
| 二、评价标准 | 第54-55页 |
| 三、基分类器参数的确定 | 第55-60页 |
| 第三节 基于稀疏自编码的基分类器用户异常流量识别 | 第60-67页 |
| 一、数据预处理 | 第60-61页 |
| 二、稀疏自编码参数的确定 | 第61-63页 |
| 三、基于稀疏自编码的基分类器参数的确定 | 第63-67页 |
| 第四节 基于Stacking组合分类器的用户异常流量识别 | 第67-73页 |
| 一、模型效果对比 | 第67-68页 |
| 二、组合分类器的使用前提 | 第68-69页 |
| 三、基于组合分类器的异常流量识别 | 第69-73页 |
| 第五章 总结与展望 | 第73-75页 |
| 第一节 总结 | 第73页 |
| 第二节 展望 | 第73-75页 |
| 参考文献 | 第75-80页 |
| 致谢 | 第80-81页 |