| 摘要 | 第1-4页 |
| ABSTRACT | 第4-8页 |
| 第一章 绪论 | 第8-10页 |
| ·课题研究的背景 | 第8页 |
| ·研究现状 | 第8-9页 |
| ·研究的意义 | 第9页 |
| ·研究方法与技术路线 | 第9-10页 |
| 第二章 时间序列分析简介 | 第10-15页 |
| ·时间序列分析简介 | 第10页 |
| ·时间序列分析 | 第10页 |
| ·时间序列预测 | 第10页 |
| ·混沌时间序列分析 | 第10-14页 |
| ·混沌吸引子的特征量 | 第11-12页 |
| ·混沌时间序列的判别方法 | 第12-14页 |
| ·本章小结 | 第14-15页 |
| 第三章 网络流量的特性 | 第15-25页 |
| ·自相似性 | 第15-17页 |
| ·自相似性的概念 | 第15-16页 |
| ·自相似过程的参数估计方法 | 第16页 |
| ·自相似性对网络性能的影响 | 第16-17页 |
| ·长相关特性 | 第17-19页 |
| ·长相关流量的概念 | 第17页 |
| ·长相关（LRD）序列 | 第17-18页 |
| ·长相关序列估计算法 | 第18-19页 |
| ·混沌特性 | 第19-24页 |
| ·模型的建立 | 第19-20页 |
| ·分析的原理 | 第20页 |
| ·Hurst 参数的估计 | 第20-21页 |
| ·系统复杂程度 | 第21-22页 |
| ·网络流量的Lyapunov 指数 | 第22页 |
| ·网络数据长相关性的去除 | 第22-23页 |
| ·去长相关的网络流量系统动力学特性分析 | 第23-24页 |
| ·本章小结 | 第24-25页 |
| 第四章 网络流量的相空间重构方法 | 第25-40页 |
| ·引言 | 第25页 |
| ·相空间重构理论 | 第25-28页 |
| ·相空间重构和Takens 定理 | 第25-26页 |
| ·小波变换改进相空间重构模型 | 第26-27页 |
| ·小波变换重构理论的比较试验 | 第27-28页 |
| ·网络流量混沌时间序列最佳延迟时间τ的确定方法 | 第28-32页 |
| ·自相关函数法 | 第28-29页 |
| ·互信息量法 | 第29页 |
| ·平均位移法 | 第29页 |
| ·改进自相关法 | 第29-30页 |
| ·分析实验 | 第30-32页 |
| ·网络流量混沌时间序列吸引子及其维数 | 第32-35页 |
| ·饱和关联维数（G-P）法 | 第33页 |
| ·虚假最近临点法方法 | 第33页 |
| ·Cao 氏方法 | 第33-34页 |
| ·奇异值分解 | 第34-35页 |
| ·分析试验 | 第35页 |
| ·网络流量混沌时间序列的最大 Lyapunov 指数 | 第35-39页 |
| ·Wolf 方法 | 第36页 |
| ·Jacobian 方法 | 第36-37页 |
| ·小数据量方法 | 第37-39页 |
| ·本章小结 | 第39-40页 |
| 第五章 网络流量混沌时间序列的预测 | 第40-52页 |
| ·引言 | 第40-41页 |
| ·全局预测法 | 第41-42页 |
| ·局域法 | 第42-45页 |
| ·零阶局域预测 | 第42-43页 |
| ·加权零阶局域预测 | 第43页 |
| ·局域非线性预测法 | 第43-45页 |
| ·自适应预测模型 | 第45-48页 |
| ·Volterra 级数自适应预测模型 | 第45-47页 |
| ·Volterra 级数自适应预测试验 | 第47-48页 |
| ·基于神经网络的时间序列预测方法 | 第48-49页 |
| ·小波神经网络 | 第48页 |
| ·小波函数简介 | 第48页 |
| ·小波神经网络及学习算法 | 第48-49页 |
| ·网络流量预测的比较试验 | 第49-51页 |
| ·本章小结 | 第51-52页 |
| 第六章 结束语 | 第52-53页 |
| 致谢 | 第53-54页 |
| 参考文献 | 第54-59页 |
| 附录：作者在攻读硕士学位期间发表的论文 | 第59页 |