| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第14-20页 |
| 1.1 研究背景及意义 | 第14-16页 |
| 1.2 研究内容及创新点 | 第16-17页 |
| 1.3 论文组织结构 | 第17-20页 |
| 第二章 相关工作 | 第20-30页 |
| 2.1 网络流量识别 | 第20-28页 |
| 2.1.1 基于预定义端口 | 第21-22页 |
| 2.1.2 深度包检测 | 第22-24页 |
| 2.1.3 深度流检测 | 第24-26页 |
| 2.1.4 深度学习方法 | 第26-28页 |
| 2.2 手机流量识别 | 第28-29页 |
| 2.2.1 用户行为发现 | 第28页 |
| 2.2.2 手机应用识别 | 第28-29页 |
| 2.3 本章小结 | 第29-30页 |
| 第三章 基于视觉特征的流量图像转化方法 | 第30-36页 |
| 3.1 网络应用流量分析 | 第30-31页 |
| 3.2 流量图像转化方法 | 第31-33页 |
| 3.2.1 有效数据提取 | 第31-32页 |
| 3.2.2 二维图像转化 | 第32-33页 |
| 3.3 手机流量图像数据集 | 第33-34页 |
| 3.4 本章小结 | 第34-36页 |
| 第四章 基于变分自编码网络VAEN的半监督流量识别方法 | 第36-48页 |
| 4.1 自动编码器 | 第36-38页 |
| 4.2 变分自编码算法 | 第38-39页 |
| 4.3 变分自编码网络模型VAEN | 第39-41页 |
| 4.3.1 基于多层感知器非线性拟合的无监督特征提取 | 第39-40页 |
| 4.3.2 基于多类型回归的监督分类识别 | 第40-41页 |
| 4.4 实验与分析 | 第41-46页 |
| 4.4.1 网络结构的确定 | 第41-42页 |
| 4.4.2 样本重建 | 第42-43页 |
| 4.4.3 隐层特征可视化 | 第43-44页 |
| 4.4.4 流量识别评价标准 | 第44-45页 |
| 4.4.5 流量识别结果 | 第45-46页 |
| 4.5 本章小结 | 第46-48页 |
| 第五章 基于二维卷积感知网络2D-CPN的流量识别方法 | 第48-58页 |
| 5.1 卷积自编码算法 | 第48-49页 |
| 5.2 二维卷积感知网络模型2D-CPN | 第49-53页 |
| 5.2.1 卷积特征提取与重构 | 第50-52页 |
| 5.2.2 基于多层感知器的特征映射 | 第52-53页 |
| 5.2.3 基于预训练和多类型回归的模型训练过程 | 第53页 |
| 5.3 实验与分析 | 第53-56页 |
| 5.3.1 模型预训练 | 第53-54页 |
| 5.3.2 样本重建 | 第54-55页 |
| 5.3.3 隐层特征可视化 | 第55页 |
| 5.3.4 流量识别结果 | 第55-56页 |
| 5.4 本章小结 | 第56-58页 |
| 第六章 面向高速网络的流量识别原型系统 | 第58-68页 |
| 6.1 系统整体方案设计 | 第58-59页 |
| 6.2 系统模块设计与实现 | 第59-63页 |
| 6.2.1 流负载均衡模块 | 第59-60页 |
| 6.2.2 前端识别模块 | 第60-61页 |
| 6.2.3 深度包检测模块 | 第61-62页 |
| 6.2.4 深度学习识别模块 | 第62-63页 |
| 6.3 系统测试与分析 | 第63-66页 |
| 6.3.1 实验环境 | 第63-64页 |
| 6.3.2 主机应用流量识别 | 第64-65页 |
| 6.3.3 手机应用流量识别 | 第65页 |
| 6.3.4 恶意程序流量识别 | 第65-66页 |
| 6.4 本章小结 | 第66-68页 |
| 第七章 总结与展望 | 第68-70页 |
| 7.1 工作总结 | 第68页 |
| 7.2 下一步工作 | 第68-70页 |
| 致谢 | 第70-72页 |
| 参考文献 | 第72-78页 |
| 作者简历 | 第78页 |
