| 摘要 | 第3-4页 |
| Abstract | 第4页 |
| 第一章 绪论 | 第8-13页 |
| 1.1 课题背景及研究意义 | 第8-9页 |
| 1.2 国内外的研究现状 | 第9-11页 |
| 1.2.1 网络流量识别研究现状 | 第9-10页 |
| 1.2.2 发展趋势和面临问题 | 第10-11页 |
| 1.3 本文主要研究内容 | 第11页 |
| 1.4 本文组织结构 | 第11-13页 |
| 第二章 网络流量识别技术 | 第13-20页 |
| 2.1 网络流量识别简介 | 第13-14页 |
| 2.2 特征选择算法 | 第14-16页 |
| 2.3 SVM分类识别算法 | 第16-19页 |
| 2.4 本章小结 | 第19-20页 |
| 第三章 基于共识决策的特征选择算法 | 第20-32页 |
| 3.1 共识决策算法的原理和流程 | 第20-23页 |
| 3.1.1 共识决策的原理 | 第20-21页 |
| 3.1.2 共识决策的流程 | 第21-23页 |
| 3.2 实验数据集 | 第23-26页 |
| 3.2.1 实验数据KDDCUP99 数据集 | 第23-24页 |
| 3.2.2 特征及选取 | 第24-26页 |
| 3.3 基于共识决策的特征选择实验和结果分析 | 第26-31页 |
| 3.3.1 数据预处理 | 第26-28页 |
| 3.3.2 基于共识决策特征提取的流程及对比实验设计 | 第28页 |
| 3.3.3 几种原始特征选择算法的比较 | 第28-29页 |
| 3.3.4 原始特征选择算法与共识决策特征提取的比较 | 第29-30页 |
| 3.3.5 特征的数量对识别结果的影响 | 第30-31页 |
| 3.4 本章小结 | 第31-32页 |
| 第四章 基于改进人工蜂群参数寻优的网络流量分类 | 第32-44页 |
| 4.1 人工蜂群参数寻优的原理和改进 | 第33-38页 |
| 4.1.1 人工蜂群来源 | 第33页 |
| 4.1.2 人工蜂群算法基本原理 | 第33-36页 |
| 4.1.3 基于当前最优解和混沌序列的改进人工蜂群 | 第36-37页 |
| 4.1.4 算法流程 | 第37-38页 |
| 4.2 改进人工蜂群的实验 | 第38-42页 |
| 4.2.1 实验测试函数和对比算法 | 第38页 |
| 4.2.2 实验结果和分析 | 第38-41页 |
| 4.2.3 算法的时间复杂度分析 | 第41-42页 |
| 4.3 改进人工蜂群优化SVM参数的网络流量分类 | 第42页 |
| 4.4 本章小结 | 第42-44页 |
| 第五章 基于机器学习的网络流量识别实验 | 第44-48页 |
| 5.1 实验环境 | 第44页 |
| 5.2 实验流程 | 第44-46页 |
| 5.3 特征选择和参数寻优共同优化的网络流量识别实验结果与分析 | 第46-47页 |
| 5.4 本章小结 | 第47-48页 |
| 主要结论与展望 | 第48-49页 |
| 致谢 | 第49-50页 |
| 参考文献 | 第50-53页 |
| 附录：作者在攻读硕士学位之间发表的论文 | 第53页 |
