| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 第一章 绪论 | 第11-16页 |
| 1.1 背景及意义 | 第11-12页 |
| 1.2 研究现状 | 第12-13页 |
| 1.3 本文研究内容 | 第13-14页 |
| 1.4 组织结构 | 第14-15页 |
| 1.5 本章总结 | 第15-16页 |
| 第二章 相关理论研究 | 第16-38页 |
| 2.1 现有计算平台和计算模型 | 第16-34页 |
| 2.1.1 Hadoop | 第16-22页 |
| 2.1.2 Storm | 第22-26页 |
| 2.1.3 Spark | 第26-30页 |
| 2.1.4 Amazon Kinesis | 第30-34页 |
| 2.2 数据流查询语言 | 第34-35页 |
| 2.3 现有特征选取算法和检测策略 | 第35-37页 |
| 2.3.1 现有的特征选取算法 | 第35-37页 |
| 2.3.2 现有的异常检测算法 | 第37页 |
| 2.4 本章小结 | 第37-38页 |
| 第三章 IP Flows和Session Window | 第38-45页 |
| 3.1 IP Flows | 第38页 |
| 3.2 Session Window | 第38-40页 |
| 3.3 Session Window数据集特征分布 | 第40-44页 |
| 3.4 本章小结 | 第44-45页 |
| 第四章 系统详细设计与实现 | 第45-63页 |
| 4.1 整体设计 | 第45-46页 |
| 4.2 Spark Stream扩展 | 第46-53页 |
| 4.2.1 基于Stream的SQL | 第46-47页 |
| 4.2.2 时间窗.滑动持续查询 | 第47-53页 |
| 4.3 数据包重放验证 | 第53-55页 |
| 4.3.1 指定重复间隔的定时任务 | 第54页 |
| 4.3.2 按照周期执行任务 | 第54-55页 |
| 4.4 One-class SVM算法 | 第55页 |
| 4.5 异常检测可视化 | 第55-62页 |
| 4.5.1 概念介绍 | 第55-56页 |
| 4.5.2 数据可视化 | 第56-62页 |
| 4.6 本章小结 | 第62-63页 |
| 第五章 性能评估 | 第63-68页 |
| 5.1 实验环境 | 第63页 |
| 5.2 特征筛选算法验证 | 第63-67页 |
| 5.2.1 异常数据作为训练样本 | 第64页 |
| 5.2.2 特征选取算法分类效果验证 | 第64-66页 |
| 5.2.3 特征选取算法在异常流量占比变化时的表现 | 第66-67页 |
| 5.3 本章小结 | 第67-68页 |
| 第六章 总结 | 第68-69页 |
| 6.1 本文总结 | 第68页 |
| 6.2 存在的问题与不足 | 第68页 |
| 6.3 未来工作展望 | 第68-69页 |
| 致谢 | 第69-70页 |
| 参考文献 | 第70-74页 |
