| 摘要 | 第5-6页 |
| abstract | 第6页 |
| 引言 | 第10-11页 |
| 1 绪论 | 第11-18页 |
| 1.1 研究背景 | 第11-12页 |
| 1.2 流量识别研究现状 | 第12-16页 |
| 1.2.1 基于端口的流量识别 | 第13页 |
| 1.2.2 基于DPI的流量识别 | 第13-14页 |
| 1.2.3 基于DFI的流量识别 | 第14-15页 |
| 1.2.4 匿名流量识别研究现状 | 第15-16页 |
| 1.3 本文的主要研究内容 | 第16页 |
| 1.4 本文的组织结构 | 第16-17页 |
| 1.5 本章小结 | 第17-18页 |
| 2 匿名流量识别相关知识 | 第18-26页 |
| 2.1 匿名网络概述 | 第18页 |
| 2.2 深度流检测技术 | 第18-19页 |
| 2.3 网络流量识别相关概念 | 第19页 |
| 2.4 网络流量识别评价指标 | 第19-20页 |
| 2.5 特征降维方法 | 第20-21页 |
| 2.5.1 特征选择 | 第21页 |
| 2.5.2 特征提取 | 第21页 |
| 2.6 Shadowsocks | 第21-25页 |
| 2.6.1 Socks5 协议 | 第21-24页 |
| 2.6.2 Shadowsocks通信原理分析 | 第24-25页 |
| 2.7 本章小结 | 第25-26页 |
| 3 基于主成分分析-皮尔森相关系数的流量特征提取模型 | 第26-43页 |
| 3.1 模型框架 | 第26-27页 |
| 3.2 数据预处理 | 第27-29页 |
| 3.2.1 流量特征的统计 | 第27-28页 |
| 3.2.2 数据规范化 | 第28-29页 |
| 3.3 基于主成分分析-皮尔森相关系数的特征提取方法 | 第29-32页 |
| 3.3.1 候选特征集 | 第29页 |
| 3.3.2 主成分分析 | 第29-31页 |
| 3.3.3 基于皮尔森相关系数的二次特征选择方法 | 第31-32页 |
| 3.4 评估算法 | 第32-34页 |
| 3.4.1 支持向量机 | 第32-33页 |
| 3.4.2 随机森林 | 第33页 |
| 3.4.3 XGBoost | 第33-34页 |
| 3.4.4 算法选取依据 | 第34页 |
| 3.5 使用该模型的必要性与可行性分析 | 第34-35页 |
| 3.6 实验结果与分析 | 第35-42页 |
| 3.6.1 实验环境 | 第35-36页 |
| 3.6.2 数据预处理 | 第36-37页 |
| 3.6.3 实验结果分析 | 第37-42页 |
| 3.7 本章小结 | 第42-43页 |
| 4 基于网络流多重过滤的Shadowsocks流量识别模型 | 第43-58页 |
| 4.1 基于字符熵的过滤方法 | 第43-46页 |
| 4.1.1 字符熵 | 第43页 |
| 4.1.2 使用字符熵过滤非Shadowsocks流量 | 第43-46页 |
| 4.2 基于报文长度序列的过滤方法 | 第46-49页 |
| 4.2.1 Shadowsocks报文长度序列的提取 | 第46-47页 |
| 4.2.2 通过报文长度序列过滤Shadowsocks流量 | 第47-48页 |
| 4.2.3 报文遍历数量的选取 | 第48-49页 |
| 4.3 基于数据包长度熵的过滤方法 | 第49-52页 |
| 4.3.1 Shadowsocks流量的数据包长度分布 | 第49-50页 |
| 4.3.2 数据包长度熵 | 第50-51页 |
| 4.3.3 通过数据包长度熵过滤Shadowsocks流量 | 第51-52页 |
| 4.3.4 数据包长度熵过滤阈值的选择 | 第52页 |
| 4.4 多重过滤与机器学习相结合 | 第52-54页 |
| 4.4.1 分类器选取依据 | 第52-53页 |
| 4.4.2 分类器构建 | 第53-54页 |
| 4.5 模型构建 | 第54-55页 |
| 4.5.1 不均衡样本 | 第54-55页 |
| 4.5.2 可行性分析 | 第55页 |
| 4.6 实验结果分析 | 第55-57页 |
| 4.6.1 测试集 | 第55-56页 |
| 4.6.2 流量统计特征集 | 第56页 |
| 4.6.3 实验结果评估 | 第56-57页 |
| 4.7 本章小结 | 第57-58页 |
| 结论 | 第58-60页 |
| 参考文献 | 第60-64页 |
| 在学研究成果 | 第64-65页 |
| 致谢 | 第65页 |
