| 摘要 | 第1-4页 |
| ABSTRACT | 第4-7页 |
| 第一章 绪论 | 第7-11页 |
| ·研究背景及相关概念 | 第7-8页 |
| ·研究现状与研究意义 | 第8-9页 |
| ·论文的组织结构 | 第9-11页 |
| 第二章 机器学习法 | 第11-29页 |
| ·流量识别技术 | 第11-13页 |
| ·基于端口的流量识别方法 | 第11页 |
| ·基于载荷的识别方法 | 第11-12页 |
| ·基于统计特征的识别方法 | 第12-13页 |
| ·机器学习 | 第13页 |
| ·几种监督学习算法 | 第13-17页 |
| ·决策树算法 | 第13-15页 |
| ·贝叶斯算法 | 第15-17页 |
| ·非监督学习法--K-Means算法 | 第17-18页 |
| ·半监督学习法--Boosting算法 | 第18-20页 |
| ·SVM 算法 | 第20-27页 |
| ·线性分类器 | 第21-23页 |
| ·核函数 | 第23-24页 |
| ·松弛变量 | 第24页 |
| ·惩罚因子 | 第24-25页 |
| ·将 SVM 用于多类分类 | 第25-27页 |
| ·SVM 算法的优缺点 | 第27页 |
| ·本章总结 | 第27-29页 |
| 第三章 特征选择 | 第29-37页 |
| ·特征选择介绍 | 第29页 |
| ·特征选择法分类 | 第29-33页 |
| ·Plus-m-minus-r | 第30页 |
| ·SVM-Wrapper | 第30-31页 |
| ·CART | 第31-32页 |
| ·Markov-blanket | 第32-33页 |
| ·粗糙集 | 第33-36页 |
| ·粗糙集简介 | 第33页 |
| ·粗糙集的相关概念 | 第33-36页 |
| ·粗糙集的属性约简 | 第36页 |
| ·本章总结 | 第36-37页 |
| 第四章 特征选择法改进 | 第37-47页 |
| ·基于C4.5决策树的特征选择 | 第37-42页 |
| ·C4.5决策树算法 | 第37-40页 |
| ·分类树特征算法 | 第40页 |
| ·算法细节 | 第40-42页 |
| ·基于粗糙集和 SVM-Wrapper 的特征选择 | 第42-47页 |
| ·基于粗糙集的特征选择 | 第42-44页 |
| ·基于 SVM-Wrapper 的特征选择 | 第44页 |
| ·算法的改进 | 第44-45页 |
| ·算法步骤 | 第45-47页 |
| 第五章 功能测试 | 第47-53页 |
| ·组合树算法功能测试 | 第47-48页 |
| ·RSF 算法功能测试 | 第48-53页 |
| ·RS F与属性约简的比较 | 第49-50页 |
| ·RSF 与 SVM-Wrapper 的比较 | 第50-53页 |
| 第六章 总结与展望 | 第53-55页 |
| ·总结 | 第53页 |
| ·展望 | 第53-55页 |
| 致谢 | 第55-57页 |
| 参考文献 | 第57-61页 |
| 科研情况 | 第61-62页 |