基于DFI流量分类技术研究与实现
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第9-14页 |
| 1.1 研究背景 | 第9-10页 |
| 1.2 研究目的与意义 | 第10-11页 |
| 1.3 论文研究内容 | 第11-12页 |
| 1.4 论文组织结构 | 第12-14页 |
| 第二章 相关研究状况 | 第14-21页 |
| 2.1 相关定义和评价指标 | 第14-15页 |
| 2.1.1 相关定义 | 第14-15页 |
| 2.1.2 评价指标 | 第15页 |
| 2.2 网络流量分类研究现状 | 第15-18页 |
| 2.2.1 基于DPI的流量分类方法 | 第15-16页 |
| 2.2.2 基于DFI的流量分类方法 | 第16-17页 |
| 2.2.3 DPI与DFI的比较 | 第17-18页 |
| 2.3 不平衡分类问题研究现状 | 第18-20页 |
| 2.3.1 数据重采样 | 第18-19页 |
| 2.3.2 代价敏感学习方法 | 第19页 |
| 2.3.3 分类器集成方法 | 第19-20页 |
| 2.4 本章小结 | 第20-21页 |
| 第三章 流特征选择算法 | 第21-32页 |
| 3.1 特征选择算法 | 第21-24页 |
| 3.1.1 流特征选择过程 | 第21-22页 |
| 3.1.2 特征选择模型 | 第22-24页 |
| 3.2 混合特征选择 | 第24-29页 |
| 3.2.1 选择性集成方法 | 第25-27页 |
| 3.2.2 启发式搜索方法 | 第27页 |
| 3.2.3 混合特征选择算法 | 第27-29页 |
| 3.3 实验结果与分析 | 第29-31页 |
| 3.4 本章小结 | 第31-32页 |
| 第四章 基于重采样的代价敏感分类方法 | 第32-44页 |
| 4.1 数据重采样 | 第33-35页 |
| 4.1.1 随机欠采样 | 第33页 |
| 4.1.2 随机过采样 | 第33-34页 |
| 4.1.3 SMOTE采样法 | 第34-35页 |
| 4.2 代价敏感学习 | 第35-38页 |
| 4.2.1 代价敏感学习算法 | 第35-36页 |
| 4.2.2 基于权重的错分代价矩阵 | 第36-38页 |
| 4.3 基于权重错分代价矩阵的AdaCost算法 | 第38-41页 |
| 4.3.1 AdaCost算法原理 | 第38-39页 |
| 4.3.2 AdaCost算法流程描述 | 第39-41页 |
| 4.4 实验结果与分析 | 第41-43页 |
| 4.4.1 数据集信息 | 第41页 |
| 4.4.2 实验结果分析 | 第41-43页 |
| 4.5 本章小结 | 第43-44页 |
| 第五章 基于代价敏感的集成学习方法 | 第44-57页 |
| 5.1 集成学习基本概念 | 第44-45页 |
| 5.2 基于均值决策的集成学习方法 | 第45-47页 |
| 5.3 基于精度权重的集成学习方法 | 第47-48页 |
| 5.3.1 算法原理描述 | 第47-48页 |
| 5.3.2 算法流程描述 | 第48页 |
| 5.4 基于代价敏感的集成学习方法 | 第48-50页 |
| 5.5 实验结果与分析 | 第50-56页 |
| 5.5.1 数据集 | 第50-51页 |
| 5.5.2 算法分类效果分析 | 第51-55页 |
| 5.5.3 时间复杂度 | 第55-56页 |
| 5.6 本章小结 | 第56-57页 |
| 第六章 总结与展望 | 第57-59页 |
| 6.1 总结 | 第57-58页 |
| 6.2 展望 | 第58-59页 |
| 致谢 | 第59-60页 |
| 参考文献 | 第60-62页 |
