基于采样的网络流量分类技术研究
| 摘要 | 第1-5页 |
| ABSTRACT | 第5-9页 |
| 第一章 绪论 | 第9-11页 |
| ·研究背景 | 第9页 |
| ·研究意义 | 第9-10页 |
| ·论文研究内容及结构 | 第10-11页 |
| 第二章 网络流量分类方法 | 第11-19页 |
| ·网络流量分类基本方法 | 第11-13页 |
| ·基于端口的网络流量分类 | 第11页 |
| ·DPI网络流量分类技术 | 第11-12页 |
| ·DFI网络流量分类技术 | 第12-13页 |
| ·DPI和DFI相结合的流量分类 | 第13页 |
| ·Weka机器学习分类算法 | 第13-18页 |
| ·BayesNet分类算法 | 第14-15页 |
| ·C4.5分类器算法 | 第15-16页 |
| ·AdaboostM1分类器算法 | 第16-18页 |
| ·本章小结 | 第18-19页 |
| 第三章 采样测量技术 | 第19-28页 |
| ·采样测量技术概述 | 第19-21页 |
| ·采样测量技术分类 | 第21-23页 |
| ·采样测量测技术研究现状 | 第23-26页 |
| ·基本采样方法比较 | 第23-24页 |
| ·常用采样方法比较 | 第24-25页 |
| ·基于标识字段采样方法比较 | 第25页 |
| ·自适应采样方法比较 | 第25-26页 |
| ·本章小结 | 第26-28页 |
| 第四章 基于采样的高速网络流量分类系统 | 第28-43页 |
| ·基于采样的网络流量分类框架 | 第28-29页 |
| ·TACS系统主要功能 | 第29-37页 |
| ·快速定位模块 | 第30-33页 |
| ·采样模块 | 第33-37页 |
| ·流统计模块 | 第37页 |
| ·TACS辅助功能——Weka源码调用 | 第37-42页 |
| ·机器学习分类器的实现 | 第38-39页 |
| ·增量学习分类器的实现 | 第39-42页 |
| ·本章小结 | 第42-43页 |
| 第五章 实验及结果分析 | 第43-60页 |
| ·基于采样的典型业务流量识别 | 第43-50页 |
| ·实验数据 | 第43页 |
| ·数据的分析处理流程 | 第43-45页 |
| ·分类效果比较 | 第45-50页 |
| ·基于采样的P2P流媒体流量识别 | 第50-59页 |
| ·数据集及实验条件 | 第50-51页 |
| ·P2P流媒体流量识别过程及结果 | 第51-56页 |
| ·P2P流媒体流量增量学习实验及分析 | 第56-59页 |
| ·本章小结 | 第59-60页 |
| 第六章 总结与展望 | 第60-62页 |
| 参考文献 | 第62-64页 |
| 致谢 | 第64-65页 |
| 攻读学位期间发表的学术论文目录 | 第65页 |
