| 摘要 | 第1-4页 |
| Abstract | 第4-9页 |
| 第一章 绪论 | 第9-17页 |
| ·研究背景与研究意义 | 第9-11页 |
| ·研究背景 | 第9-10页 |
| ·研究意义 | 第10-11页 |
| ·P2P 流量识别的研究现状 | 第11-15页 |
| ·基于端口的 P2P 流识别 | 第11页 |
| ·基于应用层负载特征的 P2P 流识别 | 第11-12页 |
| ·基于行为特征的识别技术 | 第12-13页 |
| ·基于机器学习的 P2P 流量识别 | 第13-14页 |
| ·P2P 流分类面临的问题 | 第14-15页 |
| ·本文的主要工作 | 第15-17页 |
| ·本文的主要工作 | 第15页 |
| ·本文的组织和结构 | 第15-17页 |
| 第二章 基于机器学习的 P2P 流量识别理论分析 | 第17-27页 |
| ·引言 | 第17页 |
| ·问题描述 | 第17-18页 |
| ·相关定义 | 第17-18页 |
| ·P2P 流识别流程 | 第18页 |
| ·机器学习算法 | 第18-24页 |
| ·无监督学习算法 | 第18-20页 |
| ·有监督学习算法 | 第20-24页 |
| ·识别算法评估标准 | 第24-26页 |
| ·混淆矩阵 | 第24-25页 |
| ·评估方法 | 第25-26页 |
| ·本章小结 | 第26-27页 |
| 第三章 P2P 流特征选择算法研究 | 第27-36页 |
| ·引言 | 第27页 |
| ·特征选择综述 | 第27-28页 |
| ·特征选择流程 | 第27页 |
| ·特征选择分类 | 第27-28页 |
| ·特征选择算法 | 第28-32页 |
| ·FCBF 算法 | 第28-29页 |
| ·CFS 算法 | 第29-31页 |
| ·ReliefF&特征选择 | 第31-32页 |
| ·实验分析 | 第32-35页 |
| ·实验数据 | 第32-33页 |
| ·实验平台和工具 | 第33-34页 |
| ·实验过程 | 第34-35页 |
| ·结果分析 | 第35页 |
| ·本章小结 | 第35-36页 |
| 第四章 基于集成学习算法的 P2P 流分类模型 | 第36-49页 |
| ·引言 | 第36页 |
| ·集成分类模型 | 第36-40页 |
| ·相关概念 | 第36-37页 |
| ·基于 AdaBoost 的分类模型 | 第37-38页 |
| ·基于 Bagging 的分类模型 | 第38-40页 |
| ·Bagging 算法的改进 | 第40-43页 |
| ·集成算法的原理分析 | 第40-41页 |
| ·Bagging 的选择性集成 | 第41页 |
| ·PBagging 集成学习算法 | 第41-43页 |
| ·基分类器的选择 | 第43-46页 |
| ·ID3 和 C4.5 决策树 | 第43-44页 |
| ·CART 决策树 | 第44-46页 |
| ·实验分析 | 第46-48页 |
| ·实验过程 | 第46-47页 |
| ·结果分析 | 第47-48页 |
| ·本章小结 | 第48-49页 |
| 第五章 基于非同质分类器集成的 P2P 流分类模型 | 第49-54页 |
| ·引言 | 第49页 |
| ·非同质器集成模型 | 第49-51页 |
| ·集成模型设计 | 第49页 |
| ·WEKA 功能简介 | 第49-51页 |
| ·实验分析 | 第51-52页 |
| ·实验过程 | 第51-52页 |
| ·结果分析 | 第52页 |
| ·本章小结 | 第52-54页 |
| 主要结论与展望 | 第54-55页 |
| 主要结论 | 第54页 |
| 展望 | 第54-55页 |
| 致谢 | 第55-56页 |
| 参考文献 | 第56-59页 |
| 附录：作者在攻读硕士学位期间发表的论文 | 第59页 |