| 摘要 | 第8-9页 |
| Abstract | 第9-10页 |
| 1 绪论 | 第11-15页 |
| 1.1 引言 | 第11页 |
| 1.2 研究背景及意义 | 第11页 |
| 1.3 流量分类识别概述及发展 | 第11-13页 |
| 1.4 本文的主要研究工作 | 第13页 |
| 1.5 论文组织结构 | 第13-15页 |
| 2 国内外流量分类研究现状 | 第15-22页 |
| 2.1 基于端口映射的流量分类 | 第15页 |
| 2.2 基于有效载荷分析的流量分类 | 第15-16页 |
| 2.2.1 验证方法 | 第15-16页 |
| 2.2.2 数据处理方法 | 第16页 |
| 2.3 基于机器学习的流量分类 | 第16-21页 |
| 2.3.1 基于有监督学习的流量分类 | 第17-18页 |
| 2.3.2 基于无监督学习的流量分类 | 第18-21页 |
| 2.4 本章小结 | 第21-22页 |
| 3 基于快速求解高斯混合模型的流量聚类研究 | 第22-36页 |
| 3.1 引言 | 第22页 |
| 3.2 EM 算法 | 第22-24页 |
| 3.2.1 高斯混合模型 | 第22-23页 |
| 3.2.2 混合模型中的 EM 算法 | 第23-24页 |
| 3.3 基于快速求解的 GMM 方法 | 第24-27页 |
| 3.3.1 K-Means 算法 | 第24-25页 |
| 3.3.2 K-Means 初始化快速求解 GMM | 第25-27页 |
| 3.3.3 聚类分析 | 第27页 |
| 3.4 仿真实验及分析 | 第27-34页 |
| 3.4.1 特征提取工具简介 | 第29页 |
| 3.4.2 属性选择 | 第29-30页 |
| 3.4.3 评估策略 | 第30-31页 |
| 3.4.4 算法整体准确率和精确率 | 第31-33页 |
| 3.4.5 迭代次数比较 | 第33-34页 |
| 3.4.6 时间复杂度比较 | 第34页 |
| 3.5 本章小结 | 第34-36页 |
| 4 基于 CFS+PCA 双重特征选择算法的流量分类研究 | 第36-60页 |
| 4.1 引言 | 第36-37页 |
| 4.2 原始特征集 | 第37-41页 |
| 4.2.1 网络流量分类模型 | 第37-38页 |
| 4.2.2 网络数据流 | 第38-41页 |
| 4.3 分类算法及特征选择 | 第41-47页 |
| 4.3.1 分类算法 | 第41-44页 |
| 4.3.2 特征选择 | 第44-47页 |
| 4.4 基于 CFS+PCA 双重特征选择算法 | 第47-50页 |
| 4.4.1 PCA 算法 | 第47-48页 |
| 4.4.2 CFS 算法 | 第48-49页 |
| 4.4.3 双重特征选择算法 | 第49-50页 |
| 4.5 仿真实验及分析 | 第50-58页 |
| 4.5.1 分析工具和平台 | 第50页 |
| 4.5.2 评估策略 | 第50-51页 |
| 4.5.3 实验方法 | 第51页 |
| 4.5.4 实验结果分析 | 第51-58页 |
| 4.6 本章小结 | 第58-60页 |
| 5 总结与展望 | 第60-62页 |
| 参考文献 | 第62-66页 |
| 攻读硕士期间发表的科研成果 | 第66-67页 |
| 攻读硕士期间参与的科研项目 | 第67-68页 |
| 致谢 | 第68页 |