基于遗传算法的网络视频流特征选择与识别研究
| 摘要 | 第4-5页 |
| abstract | 第5页 |
| 专用术语注释表 | 第8-9页 |
| 第一章 绪论 | 第9-17页 |
| 1.1 研究背景 | 第9-11页 |
| 1.2 国内外研究现状 | 第11-14页 |
| 1.2.1 网络流分类方法研究现状 | 第12-14页 |
| 1.2.2 特征选择方法研究现状 | 第14页 |
| 1.3 网络视频业务分类 | 第14-15页 |
| 1.4 本文主要研究内容 | 第15-16页 |
| 1.5 论文整体结构 | 第16-17页 |
| 第二章 网络流量分类相关技术介绍 | 第17-29页 |
| 2.1 网络流量级别 | 第17-18页 |
| 2.2 网络流量分类常用方法 | 第18-21页 |
| 2.2.1 基于端口匹配的分类方法 | 第18页 |
| 2.2.2 基于深度包检测分类方法 | 第18-19页 |
| 2.2.3 基于网络协议解析的分类方法 | 第19页 |
| 2.2.4 基于机器学习的分类方法 | 第19-21页 |
| 2.3 特征选择方法简介 | 第21-24页 |
| 2.3.1 特征选择方法的整体框架 | 第21-22页 |
| 2.3.2 特征选择方法的搜索方向 | 第22页 |
| 2.3.3 特征选择方法的搜索策略 | 第22-23页 |
| 2.3.4 特征选择方法的评价方法 | 第23-24页 |
| 2.3.5 特征选择方法的停止准则 | 第24页 |
| 2.4 几种监督机器学习分类方法简介 | 第24-28页 |
| 2.4.1 贝叶斯分类方法 | 第24-25页 |
| 2.4.2 随机森林分类方法 | 第25-27页 |
| 2.4.3 J48分类方法 | 第27-28页 |
| 2.5 本章小结 | 第28-29页 |
| 第三章 一种新型特征选择方法 | 第29-42页 |
| 3.1 IG算法 | 第29-30页 |
| 3.2 COS算法概述 | 第30页 |
| 3.3 GA搜索算法 | 第30-31页 |
| 3.4 分类器的评价指标 | 第31-32页 |
| 3.5 SU-GA特征选择方法 | 第32-34页 |
| 3.5.1 SU-GA方法流程 | 第32-33页 |
| 3.5.2 SU-GA方法的评价函数 | 第33-34页 |
| 3.6 数据集及实验结果 | 第34-41页 |
| 3.6.1 数据集 | 第34-35页 |
| 3.6.2 SU和COS实验结果对比 | 第35-39页 |
| 3.6.3 SU-GA和IG实验结果对比 | 第39-41页 |
| 3.7 本章小结 | 第41-42页 |
| 第四章 七种视频流特征选择与分析 | 第42-54页 |
| 4.1 七种视频流的统计特征 | 第42-43页 |
| 4.2 下行平均包大小 | 第43-45页 |
| 4.3 包大小的概率密度函数 | 第45-46页 |
| 4.4 包到达时间间隔 | 第46-47页 |
| 4.5 下行字节速率 | 第47-48页 |
| 4.6 上下行字节数之比 | 第48-49页 |
| 4.7 本文方法特征选择结果 | 第49-53页 |
| 4.7.1 数据离散化 | 第49-50页 |
| 4.7.2 离散化前后特征选择结果 | 第50-51页 |
| 4.7.3 离散化前后实验结果对比 | 第51-53页 |
| 4.8 本章小结 | 第53-54页 |
| 第五章 总结与展望 | 第54-56页 |
| 5.1 总结 | 第54-55页 |
| 5.2 展望 | 第55-56页 |
| 参考文献 | 第56-59页 |
| 附录1 攻读硕士学位期间撰写的论文 | 第59-60页 |
| 附录2 攻读硕士学位期间申请的专利 | 第60-61页 |
| 致谢 | 第61页 |
