| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第一章 绪论 | 第13-19页 |
| 1.1 研究背景及研究意义 | 第13-14页 |
| 1.2 国内外研究现状 | 第14-16页 |
| 1.3 本文的研究思路及内容 | 第16-17页 |
| 1.4 论文结构 | 第17-19页 |
| 第二章 相关技术概述 | 第19-32页 |
| 2.1 网络流量异常检测技术以及关联技术 | 第19-23页 |
| 2.1.1 网络流量异常检测技术 | 第19-21页 |
| 2.1.2 关联分析技术 | 第21-23页 |
| 2.2 网络流量数据文件 | 第23-27页 |
| 2.3 网络仿真技术 | 第27-28页 |
| 2.4 混沌理论 | 第28-29页 |
| 2.5 时间序列模型 | 第29-31页 |
| 2.6 本章总结 | 第31-32页 |
| 第三章 基于特征参数异常和关联分析的网络故障定位方法 | 第32-46页 |
| 3.1 基于NS-3 生成PCAP文件 | 第33-34页 |
| 3.2 基于PCAP文件提取网络流及流特征参数 | 第34-37页 |
| 3.2.1 网络流提取 | 第34-35页 |
| 3.2.2 网络流特征参数提取 | 第35-37页 |
| 3.3 流特征关联处理 | 第37-43页 |
| 3.3.1 流特征参数的选择 | 第37-39页 |
| 3.3.2 包到达时间间隔参数与网络故障的关系 | 第39-42页 |
| 3.3.3 流特征参数异常检测阈值的确定 | 第42-43页 |
| 3.4 网络故障定位结果输出 | 第43-44页 |
| 3.5 本章总结 | 第44-46页 |
| 第四章 基于流特征与混沌理论的网络攻击检测方法 | 第46-66页 |
| 4.1 基于混沌理论的网络攻击检测方法 | 第46-49页 |
| 4.1.1 Lyapunov指数的引入 | 第46-47页 |
| 4.1.2 可行性分析 | 第47-48页 |
| 4.1.3 基于流统计特征与混沌理论的网络攻击检测方法 | 第48-49页 |
| 4.2 基于SNMP数据文件的流统计特征参数提取 | 第49-51页 |
| 4.3 基于AR模型的时间序列预测 | 第51-55页 |
| 4.3.1 原始时间序列平稳降噪处理 | 第51-52页 |
| 4.3.2 基于AR模型的时间序列预测 | 第52-55页 |
| 4.4 基于流统计特征与混沌理论的异常检测与关联分析 | 第55-60页 |
| 4.4.1 基于Lyapunov指数的异常检测 | 第55-58页 |
| 4.4.2 AR模型阶数的确定 | 第58页 |
| 4.4.3 关联分析 | 第58-60页 |
| 4.5 基于熵与混沌理论的网络攻击检测方法研究 | 第60-65页 |
| 4.5.1 熵与网络攻击的关系 | 第61-62页 |
| 4.5.2 Lyapunov指数在熵关系描述上的应用 | 第62-64页 |
| 4.5.3 关联分析 | 第64-65页 |
| 4.6 本章总结 | 第65-66页 |
| 第五章 系统实现及方法验证 | 第66-83页 |
| 5.1 基于特征参数异常和关联分析的网络故障定位方法实现与验证 | 第66-70页 |
| 5.1.1 软件环境 | 第66页 |
| 5.1.2 PCAP数据的生成 | 第66-68页 |
| 5.1.3 方法测试与验证 | 第68-70页 |
| 5.2 基于流统计特征与混沌理论的网络攻击检测方法 | 第70-74页 |
| 5.3 基于熵与混沌理论的网络攻击检测方法 | 第74-81页 |
| 5.4 本章总结 | 第81-83页 |
| 第六章 结论 | 第83-85页 |
| 6.1 工作总结 | 第83-84页 |
| 6.2 工作的不足与展望 | 第84-85页 |
| 致谢 | 第85-86页 |
| 参考文献 | 第86-89页 |
| 攻读硕士学位期间参加的科研项目 | 第89-90页 |
