网络流量分类中特征工程的研究
| 摘要 | 第4-5页 |
| abstract | 第5页 |
| 第一章 绪论 | 第7-10页 |
| 1.1 研究背景 | 第7页 |
| 1.2 相关研究现状 | 第7-8页 |
| 1.3 研究意义 | 第8页 |
| 1.4 论文安排 | 第8-10页 |
| 第二章 网络流量分类概述 | 第10-20页 |
| 2.1 网络流量及其分类 | 第10-11页 |
| 2.1.1 TCP/IP协议簇 | 第10页 |
| 2.1.2 网络流 | 第10-11页 |
| 2.1.3 流量分类 | 第11页 |
| 2.2 传统的网络流量分类方法 | 第11-13页 |
| 2.2.1 基于端口号的网络流量分类 | 第11-12页 |
| 2.2.2 基于有效负载的网络流量分类 | 第12-13页 |
| 2.3 基于机器学习的网络流量分类及其相关技术 | 第13-15页 |
| 2.3.1 机器学习概述 | 第13-14页 |
| 2.3.2 基于机器学习的网络流量分类方法 | 第14-15页 |
| 2.4 网络流量的流统计特征概述 | 第15-17页 |
| 2.4.1 单流特征 | 第16-17页 |
| 2.4.2 多流特征 | 第17页 |
| 2.5 网络流量分类存在的问题 | 第17-19页 |
| 2.6 本章小结 | 第19-20页 |
| 第三章 基于最小最大集成特征选择的网络流量分类 | 第20-37页 |
| 3.1 集成学习 | 第20-21页 |
| 3.2 集成分类和集成特征选择概述 | 第21-25页 |
| 3.2.1 集成分类模型 | 第21-22页 |
| 3.2.2 集成特征选择概念以及常用的策略 | 第22-25页 |
| 3.3 最小最大集成特征选择 | 第25-28页 |
| 3.3.1 数据划分 | 第25-27页 |
| 3.3.2 最小最大集成 | 第27-28页 |
| 3.4 实验对比 | 第28-36页 |
| 3.4.1 实验准备 | 第29-32页 |
| 3.4.2 实验结果及分析 | 第32-36页 |
| 3.5 本章小结 | 第36-37页 |
| 第四章 网络流量分类中多流特征提取研究 | 第37-45页 |
| 4.1 网络流量数据集生成过程 | 第37-40页 |
| 4.1.1 数据捕获 | 第37-38页 |
| 4.1.2 特征提取 | 第38-40页 |
| 4.2 实验对比 | 第40-44页 |
| 4.2.1 实验数据集 | 第40-42页 |
| 4.2.2 实验结果及分析 | 第42-44页 |
| 4.3 本章小结 | 第44-45页 |
| 第五章 总结与展望 | 第45-47页 |
| 5.1 本文总结 | 第45页 |
| 5.2 未来展望 | 第45-47页 |
| 参考文献 | 第47-50页 |
| 附录1 攻读硕士学位期间撰写的论文 | 第50-51页 |
| 致谢 | 第51页 |
