基于深度学习的网络流量分类技术研究
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-18页 |
| 1.1 研究背景和意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-16页 |
| 1.2.1 网络流量分类技术 | 第12-13页 |
| 1.2.2 基于机器学习的网络流量分类技术 | 第13-16页 |
| 1.3 论文主要工作 | 第16-17页 |
| 1.4 论文的组织结构 | 第17-18页 |
| 第二章 基于三维卷积神经网络的网络流量分类系统 | 第18-46页 |
| 2.1 卷积神经网络简介 | 第18-20页 |
| 2.2 系统框架设计 | 第20-22页 |
| 2.3 数据预处理模块 | 第22-25页 |
| 2.3.1 三维输入数据预处理 | 第22-24页 |
| 2.3.2 对照组输入数据预处理 | 第24-25页 |
| 2.4 训练模块与测试模块 | 第25-34页 |
| 2.4.1 训练模块 | 第25-34页 |
| 2.4.2 测试模块 | 第34页 |
| 2.5 系统性能仿真与分析 | 第34-45页 |
| 2.5.1 实验数据集及仿真环境 | 第34-38页 |
| 2.5.2 网络流量分类系统性能评价标准 | 第38-39页 |
| 2.5.3 系统超参数调试与整体准确率分析 | 第39-41页 |
| 2.5.4 不同应用的分类性能分析 | 第41-43页 |
| 2.5.5 网络复杂度评估 | 第43-45页 |
| 2.6 本章小结 | 第45-46页 |
| 第三章 卷积神经网络未知类别流量识别与学习策略 | 第46-61页 |
| 3.1 系统需求与可行性分析 | 第46-49页 |
| 3.1.1 系统需求分析 | 第46-48页 |
| 3.1.2 输出层概率分析 | 第48-49页 |
| 3.2 系统结构与流程设计 | 第49-52页 |
| 3.3 仿真结果分析 | 第52-60页 |
| 3.3.1 未知网络流量识别率分析 | 第52-56页 |
| 3.3.2 系统更新机制效果分析 | 第56-57页 |
| 3.3.3 系统实时性分析 | 第57-60页 |
| 3.4 本章小结 | 第60-61页 |
| 第四章 总结与展望 | 第61-64页 |
| 4.1 本文总结 | 第61-62页 |
| 4.2 工作展望 | 第62-64页 |
| 参考文献 | 第64-69页 |
| 致谢 | 第69-70页 |
| 攻读学位期间发表的学术论文目录 | 第70页 |
