| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 目录 | 第8-11页 |
| 第1章 绪论 | 第11-19页 |
| 1.1 研究背景与意义 | 第11-12页 |
| 1.2 相关研究现状 | 第12-16页 |
| 1.3 论文研究内容与方法 | 第16-17页 |
| 1.4 论文组织结构 | 第17-19页 |
| 第2章 网络流量分类相关技术 | 第19-33页 |
| 2.1 网络流量 | 第19-26页 |
| 2.1.1 网络流量的概念与特点 | 第19页 |
| 2.1.2 网络流量的捕获与存储 | 第19-23页 |
| 2.1.3 网络流量的预处理 | 第23-26页 |
| 2.1.4 网络流量的类型 | 第26页 |
| 2.2 特征选择方法 | 第26-30页 |
| 2.2.1 完全搜索的特征选择 | 第27-28页 |
| 2.2.2 随机搜索的特征选择 | 第28-29页 |
| 2.2.3 启发式搜索的特征选择 | 第29-30页 |
| 2.3 基于迭代重分配的聚类算法 | 第30-32页 |
| 2.3.1 聚类算法概述 | 第30页 |
| 2.3.2 EM 算法与最近邻算法 | 第30-31页 |
| 2.3.3 K-均值算法 | 第31页 |
| 2.3.4 K-中心点算法 | 第31-32页 |
| 2.4 本章小结 | 第32-33页 |
| 第3章 基于流统计特征的网络流量分类技术 | 第33-45页 |
| 3.1 引言 | 第33页 |
| 3.2 网络流量分类系统 | 第33-34页 |
| 3.2.1 基于机器学习的分类系统简介 | 第33-34页 |
| 3.2.2 常用的统计特征 | 第34页 |
| 3.3 对聚类簇的标记方法 | 第34-38页 |
| 3.3.1 相关流法 | 第35-37页 |
| 3.3.2 多数投票法 | 第37-38页 |
| 3.4 实验 | 第38-43页 |
| 3.4.1 实验环境与数据集 | 第38-39页 |
| 3.4.2 实验评价标准 | 第39-40页 |
| 3.4.3 实验设计与结果分析 | 第40-43页 |
| 3.5 本章小结 | 第43-45页 |
| 第4章 基于特征选择的网络流量分类技术优化 | 第45-63页 |
| 4.1 引言 | 第45页 |
| 4.2 基于流统计特征的网络流量分类一般性工作框架 | 第45页 |
| 4.3 启发式搜索特征选择算法 | 第45-51页 |
| 4.3.1 评价函数 | 第46-50页 |
| 4.3.2 启发式搜索算法与序列前向搜索策略 | 第50-51页 |
| 4.4 对网络流量统计特征的观察 | 第51-54页 |
| 4.4.1 具有高阶矩的统计特征 | 第51-53页 |
| 4.4.2 候选特征集 | 第53-54页 |
| 4.5 实验 | 第54-61页 |
| 4.5.1 数据集与实验设计 | 第54-55页 |
| 4.5.2 使用基于相关性的过滤器策略进行特征选择 | 第55-57页 |
| 4.5.3 使用基于启发式搜索的封装器策略进行特征选择 | 第57-59页 |
| 4.5.4 优化后特征集对实验结果的影响 | 第59-61页 |
| 4.6 本章小结 | 第61-63页 |
| 第5章 总结与展望 | 第63-65页 |
| 5.1 研究工作总结 | 第63页 |
| 5.2 未来工作展望 | 第63-65页 |
| 致谢 | 第65-67页 |
| 参考文献 | 第67-73页 |
| 附录 | 第73页 |
