基于流行为特征IDC识别方法研究
| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第一章 绪论 | 第12-17页 |
| 1.1 研究工作的背景与意义 | 第12页 |
| 1.2 国内外研究现状 | 第12-14页 |
| 1.3 本文主要研究内容 | 第14-15页 |
| 1.4 章节结构 | 第15-17页 |
| 第二章 数据中心识别相关技术概述 | 第17-32页 |
| 2.1 网络流量特征 | 第17-23页 |
| 2.1.1 基于包的流量特征 | 第17-19页 |
| 2.1.2 基于统计的流量特征 | 第19-21页 |
| 2.1.3 基于行为的流量特征 | 第21-22页 |
| 2.1.4 流特征存在的不足 | 第22-23页 |
| 2.2 机器学习技术 | 第23-31页 |
| 2.2.1 机器学习技术概述 | 第23-27页 |
| 2.2.2 常用算法 | 第27-31页 |
| 2.3 本章小结 | 第31-32页 |
| 第三章 基于网络流特征的服务器IP识别方法 | 第32-48页 |
| 3.1 IDC服务器IP识别方法概述 | 第32-33页 |
| 3.2 服务器IP流量特征分析和总结 | 第33-37页 |
| 3.3 特征参数分类性能的比较 | 第37-41页 |
| 3.4 特征选择 | 第41-42页 |
| 3.5 IDC服务器IP流特征提取及分类实验结果 | 第42-47页 |
| 3.5.1 流量特征提取 | 第42-43页 |
| 3.5.2 分类算法的实验结果及分析 | 第43-46页 |
| 3.5.3 特征选择前后算法性能比较与分析 | 第46-47页 |
| 3.6 本章小结 | 第47-48页 |
| 第四章 基于IP社团检测的IDC识别方法 | 第48-65页 |
| 4.1 复杂网络的表示 | 第48-51页 |
| 4.1.1 图的相关概念 | 第48-49页 |
| 4.1.2 复杂网络中的社团检测 | 第49-50页 |
| 4.1.3 IDC的网络特点分析 | 第50-51页 |
| 4.2 社团检测技术 | 第51-59页 |
| 4.2.1 社团检测技术流程 | 第51-53页 |
| 4.2.2 基于模块度的社团检测算法 | 第53-57页 |
| 4.2.3 Infomap社团检测算法 | 第57-59页 |
| 4.3 数据中心社团检测实验结果 | 第59-64页 |
| 4.3.1 性能参数定义 | 第59-60页 |
| 4.3.2 社团检测算法比较与分析 | 第60-62页 |
| 4.3.3 数据中噪声对算法影响的分析 | 第62-64页 |
| 4.4 本章小结 | 第64-65页 |
| 第五章 总结与展望 | 第65-67页 |
| 5.1 全文总结 | 第65-66页 |
| 5.2 工作展望 | 第66-67页 |
| 致谢 | 第67-68页 |
| 参考文献 | 第68-72页 |
| 攻硕期间取得的研究成果 | 第72-73页 |
