| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 绪论 | 第16-30页 |
| 1.1 课题背景与意义 | 第16-18页 |
| 1.2 流量识别概述 | 第18-22页 |
| 1.2.1 基于端.的流量识别 | 第18-19页 |
| 1.2.2 深度包检测 | 第19-20页 |
| 1.2.3 基于机器学习的流量识别 | 第20-22页 |
| 1.3 相关研究综述 | 第22-27页 |
| 1.3.1 流量特征描述与提取 | 第22页 |
| 1.3.2 有监督学习流量识别 | 第22-24页 |
| 1.3.3 半监督学习流量识别 | 第24页 |
| 1.3.4 早期流量识别 | 第24-25页 |
| 1.3.5 实时在线流量识别 | 第25-26页 |
| 1.3.6 流量识别研究中存在的关键问题 | 第26-27页 |
| 1.4 本文的主要研究内容及组织结构 | 第27-30页 |
| 1.4.1 本文研究内容 | 第27-29页 |
| 1.4.2 本文组织结构 | 第29-30页 |
| 第2章 基于非平衡数据引力分类的流量识别方法 | 第30-75页 |
| 2.1 非平衡分类问题 | 第32-38页 |
| 2.1.1 非平衡数据集 | 第32-33页 |
| 2.1.2 互联网非平衡流量识别问题 | 第33-36页 |
| 2.1.3 非平衡分类问题解决方案 | 第36-38页 |
| 2.2 标准DGC模型 | 第38-43页 |
| 2.2.1 相关概念 | 第39页 |
| 2.2.2 数据引力定律 | 第39-40页 |
| 2.2.3 分类原理 | 第40-41页 |
| 2.2.4 数据质点创建方法 | 第41页 |
| 2.2.5 特征加权 | 第41-42页 |
| 2.2.6 DGC、KNN和K-means模型的比较 | 第42-43页 |
| 2.3 非平衡DGC模型 | 第43-47页 |
| 2.3.1 引力 | 第43-45页 |
| 2.3.2 PSO算法优化特征权值 | 第45-46页 |
| 2.3.3 适应值评估 | 第46-47页 |
| 2.4 IDGC模型性能评估实验 | 第47-63页 |
| 2.4.1 实验环境与参数设置 | 第47-54页 |
| 2.4.2 二分类数据集实验结果与分析 | 第54-59页 |
| 2.4.3 多分类数据集实验结果与分析 | 第59-62页 |
| 2.4.4 讨论 | 第62-63页 |
| 2.5 非平衡流量识别实验 | 第63-72页 |
| 2.5.1 数据集 | 第63-67页 |
| 2.5.2 实验设置 | 第67-68页 |
| 2.5.3 PNN对非平衡流量数据集的行为模式分析结果 | 第68-70页 |
| 2.5.4 基于IDGC的对比识别实验结果 | 第70-72页 |
| 2.6 本章小结 | 第72-75页 |
| 第3章 基于柔性神经树的流量特征选择与识别方法 | 第75-87页 |
| 3.1 柔性神经树 | 第75-76页 |
| 3.2 PIPE算法优化FNT树结构 | 第76-79页 |
| 3.2.1 基于种群的学习 | 第78-79页 |
| 3.2.2 精英学习 | 第79页 |
| 3.3 PSO算法优化FNT参数 | 第79页 |
| 3.4 流量特征 | 第79-80页 |
| 3.5 实验环境设置 | 第80-82页 |
| 3.5.1 数据集 | 第80页 |
| 3.5.2 对比算法 | 第80-81页 |
| 3.5.3 性能评估 | 第81-82页 |
| 3.6 实验结果与分析 | 第82-85页 |
| 3.6.1 实验结果 | 第82-85页 |
| 3.6.2 分析与讨论 | 第85页 |
| 3.7 本章小结 | 第85-87页 |
| 第4章 具有背景信息的流量样本采集方法 | 第87-102页 |
| 4.1 相关工作 | 第87-89页 |
| 4.2 流量标记器（TL）模型架构 | 第89-93页 |
| 4.2.1 socket调用拦截器 | 第90-91页 |
| 4.2.2 控制中心 | 第91-92页 |
| 4.2.3 IP报文标记驱动 | 第92页 |
| 4.2.4 采集器 | 第92-93页 |
| 4.2.5 分析程序 | 第93页 |
| 4.3 IP报文标记 | 第93-98页 |
| 4.3.1 捕获socket调用与IP数据包 | 第94-95页 |
| 4.3.2 应用类型的表示 | 第95-96页 |
| 4.3.3 匹配与修改发送的数据包 | 第96-98页 |
| 4.4 实验设置与结果 | 第98-101页 |
| 4.4.1 设置 | 第98页 |
| 4.4.2 数据采集 | 第98-99页 |
| 4.4.3 基于端.方法的数据验证 | 第99-101页 |
| 4.5 本章小结 | 第101-102页 |
| 第5章 流量早期识别的检测粒度研究 | 第102-125页 |
| 本章贡献 | 第103-104页 |
| 5.1 研究流程框架 | 第104-107页 |
| 5.1.1 原始数据集 | 第104页 |
| 5.1.2 过滤老鼠流 | 第104页 |
| 5.1.3 提取数据包大小 | 第104-106页 |
| 5.1.4 互信息分析 | 第106页 |
| 5.1.5 相关性分析 | 第106页 |
| 5.1.6 生成特征数据集 | 第106页 |
| 5.1.7 识别实验 | 第106-107页 |
| 5.1.8 统计假设检验 | 第107页 |
| 5.2 研究方法 | 第107-110页 |
| 5.2.1 互信息 | 第107-108页 |
| 5.2.2 皮尔逊相关系数 | 第108-109页 |
| 5.2.3 分类器 | 第109-110页 |
| 5.2.4 统计假设检验 | 第110页 |
| 5.3 结果与分析 | 第110-123页 |
| 5.3.1 互信息分析结果 | 第110页 |
| 5.3.2 相关性分析结果 | 第110-112页 |
| 5.3.3 识别实验结果与分析 | 第112-117页 |
| 5.3.4 流量有效早期检测粒度分析 | 第117-119页 |
| 5.3.5 案例研究： Auckland II数据集的可视化 | 第119-121页 |
| 5.3.6 讨论 | 第121-123页 |
| 5.4 本章小结 | 第123-125页 |
| 结论 | 第125-127页 |
| 参考文献 | 第127-146页 |
| 攻读博士学位期间发表的论文及其他成果 | 第146-148页 |
| 致谢 | 第148-150页 |
| 个人简历 | 第150页 |
