| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第1章 绪论 | 第8-16页 |
| 1.1 研究背景 | 第8-9页 |
| 1.2 网络流量分类概念 | 第9-11页 |
| 1.2.1 网络流量分类的定义 | 第9-10页 |
| 1.2.2 网络流量分类的评价指标 | 第10-11页 |
| 1.3 国内外研究现状 | 第11-14页 |
| 1.4 研究目标与研究内容 | 第14-15页 |
| 1.5 论文组织结构 | 第15-16页 |
| 第2章 网络流量分类方法综述 | 第16-29页 |
| 2.1 基于端口的方法 | 第16-17页 |
| 2.2 基于应用载荷的方法 | 第17-18页 |
| 2.3 基于主机行为的方法 | 第18-20页 |
| 2.4 基于机器学习的方法 | 第20-27页 |
| 2.4.1 有监督机器学习方法 | 第21-25页 |
| 2.4.2 无监督机器学习方法 | 第25-27页 |
| 2.4.3 半监督机器学习方法 | 第27页 |
| 2.5 最近的研究—基于多分类器的网络流量分类方法 | 第27-29页 |
| 第3章 面向精度的多分类器网络流量分类研究 | 第29-40页 |
| 3.1 基础工作 | 第29页 |
| 3.2 本文方法 | 第29-36页 |
| 3.2.1 总体思路 | 第29-31页 |
| 3.2.2 组合方法的选择 | 第31-36页 |
| 3.3 实验 | 第36-38页 |
| 3.3.1 基分类器的训练与选择 | 第36页 |
| 3.3.2 组合器的训练 | 第36-37页 |
| 3.3.3 结果与分析 | 第37-38页 |
| 3.4 本章小结 | 第38-40页 |
| 第4章 面向概念漂移的多分类器网络流量分类研究 | 第40-50页 |
| 4.1 问题分析 | 第40-41页 |
| 4.2 机器学习领域处理概念漂移的方法 | 第41-43页 |
| 4.3 本文方法 | 第43-48页 |
| 4.3.1 概念漂移检测 | 第45-46页 |
| 4.3.2 基分类器的构造 | 第46页 |
| 4.3.3 权重的计算 | 第46-47页 |
| 4.3.4 组合分类器更新 | 第47-48页 |
| 4.4 实验 | 第48-49页 |
| 4.4.1 实验环境与实验数据 | 第48页 |
| 4.4.2 分类精度比较 | 第48-49页 |
| 4.5 本章小结 | 第49-50页 |
| 第5章 总结与展望 | 第50-51页 |
| 5.1 总结 | 第50页 |
| 5.2 下一步工作展望 | 第50-51页 |
| 参考文献 | 第51-56页 |
| 致谢 | 第56-58页 |
| 攻读硕士学位期间发表的论文 | 第58-60页 |