| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第11-15页 |
| 1.1 论文研究背景及意义 | 第11页 |
| 1.2 国内外研究现状 | 第11-12页 |
| 1.3 论文结构 | 第12-15页 |
| 第二章 系统相关概念 | 第15-21页 |
| 2.1 Flume | 第15页 |
| 2.2 Kafka | 第15-17页 |
| 2.3 数据库及数据库管理工具 | 第17-18页 |
| 2.3.1 InfuxDB | 第17页 |
| 2.3.2 PostgreSQL | 第17-18页 |
| 2.4 神经网络 | 第18-19页 |
| 2.5 离群点检测 | 第19-20页 |
| 2.6 本章小结 | 第20-21页 |
| 第三章 基于Kafka流量监测收集系统的设计与实现 | 第21-41页 |
| 3.1 流量监测收集系统架构 | 第21-25页 |
| 3.1.1 应对场景 | 第21-22页 |
| 3.1.2 架构设计 | 第22-25页 |
| 3.2 各层结构设计和实现 | 第25-34页 |
| 3.2.1 Agent设计和实现 | 第25-27页 |
| 3.2.2 Kafka层的设计 | 第27-28页 |
| 3.2.3 区域节点数据库表设计 | 第28-30页 |
| 3.2.4 区域API的设计和实现 | 第30-31页 |
| 3.2.5 中心节点数据库表设计 | 第31-33页 |
| 3.2.6 中心API的设计和实现 | 第33-34页 |
| 3.3 功能展示 | 第34-39页 |
| 3.3.1 网络结构拓扑 | 第35-36页 |
| 3.3.2 设备信息 | 第36-38页 |
| 3.3.3 流量信息 | 第38-39页 |
| 3.4 本章小结 | 第39-41页 |
| 第四章 流量预测模型的设计与实现 | 第41-61页 |
| 4.1 循环神经网络 | 第41-44页 |
| 4.1.1 传统循环神经网络 | 第41-42页 |
| 4.1.2 长短期记忆网络 | 第42-44页 |
| 4.2 优化算法 | 第44-46页 |
| 4.2.1 Adam优化算法 | 第44-45页 |
| 4.2.2 L-BFGS优化算法 | 第45-46页 |
| 4.3 预测模型的设计和实现 | 第46-53页 |
| 4.3.1 数据分析 | 第46-49页 |
| 4.3.2 网络设计 | 第49-50页 |
| 4.3.3 数据预处理 | 第50-52页 |
| 4.3.4 模型训练 | 第52-53页 |
| 4.4 预测结果分析 | 第53-57页 |
| 4.4.1 均方误差分析 | 第53-56页 |
| 4.4.2 优化算法对比 | 第56-57页 |
| 4.5 模型与监测系统的结合 | 第57-60页 |
| 4.5.1 数据交换方式 | 第57-59页 |
| 4.5.2 库表设计 | 第59-60页 |
| 4.5.3 模型的自我更新 | 第60页 |
| 4.6 本章小结 | 第60-61页 |
| 第五章 异常流量检测的设计与实现 | 第61-79页 |
| 5.1 背景以及需求 | 第61-63页 |
| 5.1.1 背景 | 第61页 |
| 5.1.2 需求分析 | 第61-63页 |
| 5.2 现有离群点检测算法 | 第63-64页 |
| 5.2.1 LOF离群点检测算法 | 第63-64页 |
| 5.2.2 基于Z-score的离群点检测 | 第64页 |
| 5.3 离群点检测算法的设计 | 第64-67页 |
| 5.3.1 算法分析 | 第64-65页 |
| 5.3.2 算法描述 | 第65-67页 |
| 5.4 离群点检测算法的实现 | 第67-72页 |
| 5.4.1 预测数据生成 | 第67-68页 |
| 5.4.2 离群点初步判断 | 第68-70页 |
| 5.4.3 离群点确认 | 第70-72页 |
| 5.5 检测结果分析 | 第72-76页 |
| 5.5.1 检测精度分析 | 第72-75页 |
| 5.5.2 时间消耗分析 | 第75-76页 |
| 5.6 模型与监测系统的结合 | 第76-78页 |
| 5.6.1 数据交换方式 | 第76-77页 |
| 5.6.2 库表设计 | 第77-78页 |
| 5.7 本章小结 | 第78-79页 |
| 第六章 总结与展望 | 第79-81页 |
| 参考文献 | 第81-85页 |
| 致谢 | 第85-87页 |
| 攻读学位期间发表的学术论文目录 | 第87页 |