基于Spark的防火墙异常流量识别研究
| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第1章 引言 | 第8-13页 |
| 1.1 研究背景与意义 | 第8-9页 |
| 1.1.1 研究背景 | 第8-9页 |
| 1.1.2 研究意义 | 第9页 |
| 1.2 国内外相关研究现状 | 第9-11页 |
| 1.3 主要研究内容 | 第11-12页 |
| 1.4 文章章节安排 | 第12-13页 |
| 第2章 相关技术与理论 | 第13-27页 |
| 2.1 流量检测识别技术 | 第13-18页 |
| 2.1.1 基于端口的识别方法 | 第13-14页 |
| 2.1.2 基于载荷特征的流量识别方法 | 第14-15页 |
| 2.1.3 基于流的流量识别方法 | 第15-17页 |
| 2.1.4 基于机器学习的流量识别方法 | 第17-18页 |
| 2.2 虚拟化技术 | 第18-20页 |
| 2.3 大数据技术 | 第20-23页 |
| 2.3.1 Hadoop框架 | 第20-22页 |
| 2.3.2 Spark框架 | 第22-23页 |
| 2.4 NETFILTER/IPTABLES | 第23-25页 |
| 2.5 本章小结 | 第25-27页 |
| 第3章 基于BP神经网络流量识别的研究 | 第27-36页 |
| 3.1 神经网络理论 | 第27-28页 |
| 3.2 BP神经网络算法 | 第28-29页 |
| 3.3 改进的反向传播算法 | 第29-31页 |
| 3.4 算法实验与结果分析 | 第31-35页 |
| 3.5 本章小结 | 第35-36页 |
| 第4章 实验模型及其测试结果 | 第36-45页 |
| 4.1 实验理论模型 | 第36-37页 |
| 4.2 实验平台软硬件环境以及物理拓扑 | 第37-39页 |
| 4.2.1 软硬件平台 | 第37-38页 |
| 4.2.2 实验物理拓扑 | 第38-39页 |
| 4.3 实验结果与性能分析 | 第39-41页 |
| 4.3.1 算法时间对比 | 第39-41页 |
| 4.3.2 扩展性 | 第41页 |
| 4.4 现网模拟测试 | 第41-44页 |
| 4.5 本章小结 | 第44-45页 |
| 第5章 总结与展望 | 第45-47页 |
| 5.1 本文总结 | 第45-46页 |
| 5.2 未来工作展望 | 第46-47页 |
| 参考文献 | 第47-49页 |
| 致谢 | 第49页 |
