基于机器学习的GTalk流量识别系统的设计与实现
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第10-17页 |
| 1.1 课题来源及背景 | 第10-11页 |
| 1.1.1 课题来源 | 第10页 |
| 1.1.2 课题背景 | 第10-11页 |
| 1.2 国内外研究状况 | 第11-15页 |
| 1.2.1 GTalk 相关研究 | 第11-12页 |
| 1.2.2 流量识别技术的国内外研究现状 | 第12-15页 |
| 1.3 本文的主要工作 | 第15-16页 |
| 1.4 本文的组织结构 | 第16-17页 |
| 第2章 流量识别系统的需求分析 | 第17-23页 |
| 2.1 流量识别系统总体需求分析 | 第17页 |
| 2.2 流量识别系统功能性需求 | 第17-20页 |
| 2.2.1 流量捕获功能 | 第17-18页 |
| 2.2.2 流量识别功能 | 第18-20页 |
| 2.2.3 日志功能 | 第20页 |
| 2.3 流量识别系统非功能性需求 | 第20-21页 |
| 2.4 关键技术分析 | 第21-22页 |
| 2.5 本章小结 | 第22-23页 |
| 第3章 流量识别系统设计 | 第23-47页 |
| 3.1 流量识别系统的总体设计 | 第23-24页 |
| 3.2 XMPP 协议分析 | 第24-28页 |
| 3.2.1 XMPP 协议 | 第24-25页 |
| 3.2.2 XMPP 的架构 | 第25-26页 |
| 3.2.3 XMPP 工作流程 | 第26-28页 |
| 3.3 Google Talk 静态特征分析 | 第28-34页 |
| 3.3.1 协议识别 | 第28页 |
| 3.3.2 用户提交注册信息识别 | 第28-29页 |
| 3.3.3 用户间通信信息识别 | 第29-33页 |
| 3.3.4 用户提交退出信息识别 | 第33页 |
| 3.3.5 异常流量识别 | 第33-34页 |
| 3.4 流量捕获模块的设计 | 第34-35页 |
| 3.5 流量识别模块的设计 | 第35-43页 |
| 3.5.1 基于端口特征的检测子模块的设计 | 第37-38页 |
| 3.5.2 基于有效负载检测子模块的设计 | 第38页 |
| 3.5.3 基于机器学习检测子模块的设计 | 第38-42页 |
| 3.5.4 基于包大小分布检测子模块的设计 | 第42-43页 |
| 3.6 日志模块的设计 | 第43-44页 |
| 3.7 流量识别系统的数据库设计 | 第44-46页 |
| 3.8 本章小结 | 第46-47页 |
| 第4章 流量识别系统的实现 | 第47-67页 |
| 4.1 流量捕获模块的实现 | 第47-50页 |
| 4.1.1 网络流量捕获子模块及协议还原子模块 | 第47页 |
| 4.1.2 捕获测试流量 | 第47-48页 |
| 4.1.3 网络流量存储 | 第48-50页 |
| 4.2 流量识别模块的实现 | 第50-63页 |
| 4.2.1 TCP 协议流量与 UDP 协议流量 | 第50-51页 |
| 4.2.2 基于端口特征的检测子模块的实现 | 第51-52页 |
| 4.2.3 基于有效负载的检测子模块的实现 | 第52-55页 |
| 4.2.4 基于机器学习的检测子模块的实现 | 第55-62页 |
| 4.2.5 基于包大小分布的检测子模块的实现 | 第62-63页 |
| 4.3 日志模块的实现 | 第63-64页 |
| 4.4 机器学习模型的评估 | 第64-66页 |
| 4.5 本章小结 | 第66-67页 |
| 第5章 流量识别系统的测试 | 第67-82页 |
| 5.1 流量识别系统开发与运行环境 | 第67页 |
| 5.1.1 流量识别系统开发环境 | 第67页 |
| 5.1.2 流量识别系统运行环境 | 第67页 |
| 5.2 流量识别系统的功能性测试 | 第67-79页 |
| 5.2.1 应用公开数据集测试系统 | 第70-74页 |
| 5.2.2 离线实验数据测试系统 | 第74-78页 |
| 5.2.3 在线网关实时数据测试系统 | 第78-79页 |
| 5.3 流量识别系统的非功能性测试 | 第79-80页 |
| 5.4 流量识别系统的测试结论 | 第80页 |
| 5.5 本章小结 | 第80-82页 |
| 结论 | 第82-83页 |
| 参考文献 | 第83-87页 |
| 致谢 | 第87-88页 |
| 个人简历 | 第88页 |
