| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 专用术语注释表 | 第8-9页 |
| 第一章 绪论 | 第9-16页 |
| 1.1 研究背景 | 第9-12页 |
| 1.2 国内外研究现状 | 第12-14页 |
| 1.2.1 网络流分类方法研究现状 | 第13页 |
| 1.2.2 特征选择方法研究 | 第13-14页 |
| 1.3 本文主要研究内容和论文结构 | 第14-16页 |
| 第二章 网络流分类相关知识介绍 | 第16-25页 |
| 2.1 网络流分类中数据流的定义 | 第16页 |
| 2.2 网络流分类与识别常用方法 | 第16-19页 |
| 2.2.1 基于端口号映射的流分类方法 | 第17页 |
| 2.2.2 基于有效负载的流分类方法 | 第17-18页 |
| 2.2.3 基于主机行为的流分类方法 | 第18页 |
| 2.2.4 基于机器学习的流分类方法 | 第18-19页 |
| 2.3 网络流分类性能评价指标 | 第19-20页 |
| 2.4 常用的监督机器学习分类方法简介 | 第20-24页 |
| 2.4.1 支持向量机SVM算法 | 第20-23页 |
| 2.4.2 K-近邻分类算法 | 第23-24页 |
| 2.5 本章小结 | 第24-25页 |
| 第三章 新型特征选择方法 | 第25-38页 |
| 3.1 特征选择算法介绍 | 第25-27页 |
| 3.1.1 特征选择的基本流程 | 第25-26页 |
| 3.1.2 特征选择搜索策略 | 第26-27页 |
| 3.1.3 特征选择评价函数 | 第27页 |
| 3.2 相关算法介绍 | 第27-29页 |
| 3.2.1 GSA算法 | 第27-29页 |
| 3.2.2 PSO算法 | 第29页 |
| 3.3 基于PSOGSA-CI的特征选择算法 | 第29-32页 |
| 3.4 实验及结果 | 第32-37页 |
| 3.4.1 实验数据集 | 第32-33页 |
| 3.4.2 实验Ⅰ参数调优有效性验证 | 第33-34页 |
| 3.4.3 实验Ⅱ种群初始化有效性验证 | 第34-35页 |
| 3.4.4 实验Ⅲ PSOGSA-CI算法在UCI数据集上的整体分类效果验证 | 第35-37页 |
| 3.5 本章小结 | 第37-38页 |
| 第四章 网络视频流的特征选择与识别 | 第38-52页 |
| 4.1 常见的视频流统计特征 | 第38-39页 |
| 4.2 视频流数据获取与特征提取 | 第39-41页 |
| 4.3 典型视频流统计特征分析 | 第41-46页 |
| 4.3.1 下行/上行包大小均值 | 第41-43页 |
| 4.3.2 下行包速率 | 第43-44页 |
| 4.3.3 下行包到达时间间隔 | 第44-45页 |
| 4.3.4 下上行字节数之比 | 第45-46页 |
| 4.3.5 下行包大小信息熵 | 第46页 |
| 4.4 PSOGSA-CI算法用于识别网络视频流 | 第46-51页 |
| 4.4.1 实验结果 | 第46-49页 |
| 4.4.2 所选特征合理性和有效性分析 | 第49-51页 |
| 4.5 本章小结 | 第51-52页 |
| 第五章 总结与展望 | 第52-54页 |
| 5.1 总结 | 第52页 |
| 5.2 展望 | 第52-54页 |
| 参考文献 | 第54-57页 |
| 附录1 图表清单 | 第57-58页 |
| 附录2 攻读硕士学位期间撰写的论文 | 第58-59页 |
| 附录3 攻读硕士学位期间申请的专利 | 第59-60页 |
| 致谢 | 第60页 |