| 摘要 | 第1-4页 |
| Abstract | 第4-11页 |
| 第一章 引言 | 第11-15页 |
| ·课题背景 | 第11页 |
| ·课题内容 | 第11-12页 |
| ·课题意义 | 第12页 |
| ·本文的组织结构 | 第12-15页 |
| 第二章 相关技术概述 | 第15-35页 |
| ·贝叶斯网络的概念 | 第15-23页 |
| ·贝叶斯网络的产生和发展 | 第15-16页 |
| ·贝叶斯网络的语义 | 第16页 |
| ·贝叶斯网络的优点 | 第16-17页 |
| ·贝叶斯网络的学习 | 第17-23页 |
| ·贝叶斯推理 | 第23-25页 |
| ·贝叶斯网络的应用 | 第25-26页 |
| ·贝叶斯网络用于分类 | 第26-31页 |
| ·贝叶斯网络分类器 | 第26-28页 |
| ·贝叶斯网络用于分类实例 | 第28-31页 |
| ·网络日志挖掘 | 第31-32页 |
| ·数据挖掘 | 第31页 |
| ·常用网络日志挖掘方法 | 第31-32页 |
| ·应用贝叶斯网络进行网络日志挖掘的优势 | 第32页 |
| ·本章小结 | 第32-35页 |
| 第三章 数据预处理 | 第35-47页 |
| ·原始数据集描述 | 第35-36页 |
| ·原始数据集分析 | 第36-37页 |
| ·数据的预处理 | 第37-40页 |
| ·调整记录格式 | 第37-38页 |
| ·字段“destinationIP”的处理及其取值的离散化 | 第38-39页 |
| ·字段“userID”取值的离散化 | 第39-40页 |
| ·字段“?ow”取值的离散化 | 第40页 |
| ·预处理完成后的实验数据集 | 第40页 |
| ·本章小结 | 第40-47页 |
| 第四章 贝叶斯网络模型的构造和增量学习贝叶斯网络 | 第47-55页 |
| ·贝叶斯网络模型的构造 | 第47-51页 |
| ·对单个小时数据的贝叶斯网络的学习 | 第47-50页 |
| ·对一整天数据的贝叶斯网络的学习 | 第50-51页 |
| ·增量学习贝叶斯网络的方法 | 第51-53页 |
| ·增量学习方法概述 | 第51-52页 |
| ·用增量方法学习贝叶斯网络 | 第52-53页 |
| ·本章小结 | 第53-55页 |
| 第五章 实验结果与分析 | 第55-63页 |
| ·学习得出的网络结构的比较 | 第55-56页 |
| ·单个小时数据集学习得到的贝叶斯网络 | 第55页 |
| ·一整天数据集学习得到的贝叶斯网络 | 第55-56页 |
| ·基于贝叶斯网络的流量预测 | 第56-58页 |
| ·本章小结 | 第58-63页 |
| 第六章 总结与展望 | 第63-65页 |
| ·已完成工作总结 | 第63页 |
| ·展望 | 第63-65页 |
| 参考文献 | 第65-70页 |
| 发表文章目录 | 第70-71页 |
| 致谢 | 第71-72页 |
| 详细摘要 | 第72-74页 |