基于机器学习的网络流量识别方法与实现
| 摘要 | 第9-11页 |
| ABSTRACT | 第11-13页 |
| 第1章 绪论 | 第14-21页 |
| 1.1 概述 | 第14-15页 |
| 1.2 网络流量识别的研究现状及发展趋势 | 第15-19页 |
| 1.2.1 流量识别的研究现状 | 第15-18页 |
| 1.2.2 流量识别的发展趋势 | 第18-19页 |
| 1.3 论文研究内容及结构 | 第19-21页 |
| 第2章 网络流量识别与机器学习 | 第21-30页 |
| 2.1 网络流量识别基础 | 第21-23页 |
| 2.1.1 网络流量识别的基本概念 | 第21-22页 |
| 2.1.2 网络流量识别的评价指标 | 第22-23页 |
| 2.2 机器学习基础 | 第23-25页 |
| 2.2.1 机器学习概述 | 第23页 |
| 2.2.2 机器学习的分类 | 第23-24页 |
| 2.2.3 机器学习的系统模型 | 第24-25页 |
| 2.3 网络流量识别算法的选择 | 第25-26页 |
| 2.4 网络流量特征和应用类型 | 第26-29页 |
| 2.5 本章小结 | 第29-30页 |
| 第3章 基于BP神经网络的流量识别方法 | 第30-43页 |
| 3.1 人工神经网络概述 | 第30-34页 |
| 3.1.1 人工神经网络的起源 | 第30-31页 |
| 3.1.2 人工神经网络的建模 | 第31-32页 |
| 3.1.3 人工神经网络的分类 | 第32-33页 |
| 3.1.4 人工神经网络的应用 | 第33-34页 |
| 3.2 基于BP神经网络的流量识别算法 | 第34-39页 |
| 3.2.1 BP算法的核心思想 | 第34-35页 |
| 3.2.2 BP神经网络的特性 | 第35页 |
| 3.2.3 BP神经网络的选择 | 第35-37页 |
| 3.2.4 基于PSO寻优的BP神经网络流量识别 | 第37-39页 |
| 3.3 识别结果与分析 | 第39-42页 |
| 3.3.1 标准BP神经网络的识别结果 | 第39-41页 |
| 3.3.2 基于PSO寻优的BP神经网络识别结果 | 第41-42页 |
| 3.4 本章小结 | 第42-43页 |
| 第4章 基于SVM的流量识别方法 | 第43-54页 |
| 4.1 支持向量机概述 | 第43-47页 |
| 4.1.1 二元线性分类问题 | 第43-45页 |
| 4.1.2 非线性分类问题 | 第45-47页 |
| 4.2 基于SVM的流量识别算法 | 第47-51页 |
| 4.2.1 SVM的特性 | 第47-48页 |
| 4.2.2 SVM核函数的选择 | 第48-49页 |
| 4.2.3 SVM多值分类器的构造 | 第49-51页 |
| 4.2.4 SVM软件包 | 第51页 |
| 4.3 识别结果与分析 | 第51-53页 |
| 4.4 本章小结 | 第53-54页 |
| 第5章 家庭网络流量识别系统的设计与实现 | 第54-64页 |
| 5.1 网络流量识别的总体架构 | 第54-55页 |
| 5.2 普通家庭网络的组网 | 第55-56页 |
| 5.2.1 流量识别系统的组网 | 第56页 |
| 5.3 流量识别系统 | 第56-63页 |
| 5.3.1 抓取网络流数据包 | 第57-59页 |
| 5.3.2 生成网络流特征 | 第59-61页 |
| 5.3.3 选择训练集与测试集 | 第61-62页 |
| 5.3.4 设计网关与后台的程序 | 第62-63页 |
| 5.3.5 展示识别结果 | 第63页 |
| 5.4 本章小结 | 第63-64页 |
| 第6章 总结与展望 | 第64-67页 |
| 6.1 工作总结 | 第64-65页 |
| 6.2 研究展望 | 第65-67页 |
| 参考文献 | 第67-72页 |
| 致谢 | 第72-73页 |
| 攻读硕士学位期间发表论文情况 | 第73-74页 |
| 学位论文评阅及答辩情况表 | 第74页 |
