| 摘要 | 第4-6页 |
| ABSTRACT | 第6-8页 |
| 目录 | 第9-12页 |
| 第一章 绪论 | 第12-36页 |
| 1.1 课题背景 | 第12-15页 |
| 1.1.1 互联网发展现状和挑战 | 第12-14页 |
| 1.1.2 课题研究意义 | 第14-15页 |
| 1.2 相关定义 | 第15-18页 |
| 1.2.1 网络流分类相关定义 | 第16-17页 |
| 1.2.2 分类评价标准 | 第17-18页 |
| 1.3 研究现状 | 第18-31页 |
| 1.3.1 基于端口号的网络流分类 | 第19-20页 |
| 1.3.2 基于深度包检测的网络流分类 | 第20页 |
| 1.3.3 基于机器学习的网络流分类 | 第20-28页 |
| 1.3.4 基于主机行为特征的网络流分类 | 第28-29页 |
| 1.3.5 各种网络流分类方法总结 | 第29-31页 |
| 1.4 基于行为的网络流分类面临的挑战 | 第31-32页 |
| 1.5 论文研究内容和结构 | 第32-36页 |
| 1.5.1 论文研究内容 | 第32-34页 |
| 1.5.2 论文组织结构 | 第34-36页 |
| 第二章 基于主机级别和流级别特征的流量识别 | 第36-52页 |
| 2.1 引言 | 第36-37页 |
| 2.2 相关工作 | 第37-38页 |
| 2.3 基于主机级别和流级别特征的P2P识别 | 第38-44页 |
| 2.3.1 主机级别和流级别特征融合框架 | 第38-39页 |
| 2.3.2 P2P应用的主机级别特征 | 第39-41页 |
| 2.3.3 P2P应用的流级别特征 | 第41-44页 |
| 2.3.4 算法实现流程 | 第44页 |
| 2.4 实验分析 | 第44-51页 |
| 2.4.1 实验数据 | 第44-45页 |
| 2.4.2 基于主机级别行为特征的分类结果 | 第45-47页 |
| 2.4.3 基于主机级别和流级别行为特征的分类结果 | 第47-48页 |
| 2.4.4 参数对分类结果的影响 | 第48-50页 |
| 2.4.5 讨论 | 第50-51页 |
| 2.5 本章小结 | 第51-52页 |
| 第三章 基于改进DTW算法的乱序网络流分类 | 第52-76页 |
| 3.1 引言 | 第52-53页 |
| 3.2 相关工作 | 第53-55页 |
| 3.2.1 网络流乱序情况普遍性 | 第53-54页 |
| 3.2.2 相关方法的不足 | 第54-55页 |
| 3.3 网络流乱序映射关系 | 第55-59页 |
| 3.3.1 网络流乱序原因 | 第55-56页 |
| 3.3.2 网络乱序映射关系 | 第56-59页 |
| 3.4 基于改进DTW的乱序网络流分类 | 第59-64页 |
| 3.4.1 DTW算法介绍 | 第60-62页 |
| 3.4.2 对DTW算法的改进 | 第62-64页 |
| 3.4.3 IDTW算法模板构建 | 第64页 |
| 3.5 实验分析 | 第64-74页 |
| 3.5.1 实验数据 | 第65-66页 |
| 3.5.2 实验设置 | 第66-67页 |
| 3.5.4 总体准确率对比 | 第67页 |
| 3.5.5 各种应用类型召回率精度对比 | 第67-70页 |
| 3.5.6 同时包含正常流和乱序流的分类准确率对比 | 第70-72页 |
| 3.5.7 讨论 | 第72-74页 |
| 3.6 本章小结 | 第74-76页 |
| 第四章 基于协同训练的实时网络流分类 | 第76-92页 |
| 4.1 引言 | 第76-77页 |
| 4.2 相关工作 | 第77-79页 |
| 4.2.1 协同训练算法介绍 | 第77-78页 |
| 4.2.2 协同训练在网络流分类上的应用 | 第78-79页 |
| 4.3 基于协同训练的实时网络流分类 | 第79-81页 |
| 4.3.1 基于协同训练的实时网络流分类算法流程 | 第79-81页 |
| 4.3.2 两个独立特征的选择 | 第81页 |
| 4.4 包时间间隔处理 | 第81-86页 |
| 4.4.1 Fipt的提取 | 第81-83页 |
| 4.4.2 Netipt的提取 | 第83-84页 |
| 4.4.3 启发式算法分析 | 第84-86页 |
| 4.5 实验分析 | 第86-91页 |
| 4.5.1 实验数据 | 第86页 |
| 4.5.2 Netipt与其它时间间隔特征对比 | 第86-88页 |
| 4.5.3 Co-training与其它算法对比 | 第88-91页 |
| 4.6 本章小结 | 第91-92页 |
| 第五章 基于加权置信度集成的网络流分类 | 第92-108页 |
| 5.1 引言 | 第92-93页 |
| 5.2 相关工作 | 第93-96页 |
| 5.2.1 集成学习相关工作 | 第93-95页 |
| 5.2.2 集成方法在网络流分类中的应用 | 第95-96页 |
| 5.3 加权置信度集成学习网络流分类 | 第96-101页 |
| 5.3.1 集成学习网络流分类框架 | 第96-97页 |
| 5.3.2 加权置信度规则WCR | 第97-98页 |
| 5.3.3 网络流分类基分类器选择 | 第98-101页 |
| 5.4 实验分析 | 第101-107页 |
| 5.4.1 WCR与其它基分类器的网络流分类准确率对比 | 第101-105页 |
| 5.4.2 WCR对IDTW和Co-training的融合 | 第105-107页 |
| 5.5 本章小结 | 第107-108页 |
| 第六章 总结与展望 | 第108-112页 |
| 6.1 工作总结 | 第108-109页 |
| 6.2 工作展望 | 第109-112页 |
| 参考文献 | 第112-126页 |
| 致谢 | 第126-128页 |
| 攻读博士期间发表的论文 | 第128-130页 |
| 攻读博士期间参加的科研项目 | 第130页 |
