| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 绪论 | 第10-18页 |
| 1.1 研究背景 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-15页 |
| 1.2.1 传统网络中相关研究现状 | 第11-12页 |
| 1.2.2 软件定义网络中相关研究现状 | 第12-15页 |
| 1.3 本文内容 | 第15-17页 |
| 1.4 论文组织结构 | 第17-18页 |
| 第2章 SDN网络流量增量式学习算法 | 第18-33页 |
| 2.1 自组织映射神经网络 | 第18-20页 |
| 2.2 增长型自组织映射神经网络 | 第20-22页 |
| 2.3 基于核函数的自组织映射神经网络 | 第22-23页 |
| 2.4 流表统计信息与特征值处理 | 第23-24页 |
| 2.5 增量式学习算法 | 第24-30页 |
| 2.5.1 KGSOM网络初始化 | 第24-25页 |
| 2.5.2 神经元扩展算法 | 第25-27页 |
| 2.5.3 神经元缩减算法 | 第27-28页 |
| 2.5.4 KGSOM网络增量学习过程 | 第28-30页 |
| 2.6 算法示例 | 第30-32页 |
| 2.7 本章小结 | 第32-33页 |
| 第3章 网络安全轮廓动态解析 | 第33-46页 |
| 3.1 问题定义 | 第33-34页 |
| 3.2 网络安全轮廓 | 第34-35页 |
| 3.3 正常网络流量安全轮廓动态解析算法 | 第35-39页 |
| 3.3.1 神经元安全阈值的动态调整 | 第35-37页 |
| 3.3.2 算法描述 | 第37-39页 |
| 3.4 混合网络流量安全轮廓动态解析算法 | 第39-41页 |
| 3.5 算法示例 | 第41-45页 |
| 3.5.1 正常流量网络安全轮廓动态调整 | 第41-43页 |
| 3.5.2 混合流量网络安全轮廓动态调整 | 第43-45页 |
| 3.6 本章小结 | 第45-46页 |
| 第4章 实验环境与算法评估 | 第46-57页 |
| 4.1 实验环境 | 第46-47页 |
| 4.2 迭代次数与扩展阈值对增量学习算法的影响 | 第47-50页 |
| 4.2.1 迭代次数对增量学习算法的影响 | 第48-49页 |
| 4.2.2 扩展阈值对增量学习算法的影响 | 第49-50页 |
| 4.3 不同网络流量情况下安全轮廓动态解析算法有效性 | 第50-54页 |
| 4.3.1 正常流量下的有效性验证 | 第50-52页 |
| 4.3.2 混合流量下的有效性验证 | 第52-54页 |
| 4.4 基于不同网络的安全轮廓动态解析算法性能对比 | 第54-55页 |
| 4.5 本章小结 | 第55-57页 |
| 第5章 总结与展望 | 第57-59页 |
| 5.1 论文内容总结 | 第57-58页 |
| 5.2 工作展望 | 第58-59页 |
| 参考文献 | 第59-63页 |
| 附录 攻读学位期间所发表的论文以及科研情况 | 第63-64页 |
| 致谢 | 第64页 |