| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第1章 绪论 | 第9-16页 |
| 1.1 课题背景及研究的目的和意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-14页 |
| 1.2.1 基于端口的识别技术 | 第10-11页 |
| 1.2.2 深层数据包检测技术 | 第11-13页 |
| 1.2.3 浅层数据包检测技术 | 第13-14页 |
| 1.3 本文的研究内容 | 第14页 |
| 1.4 本文的组织结构 | 第14-16页 |
| 第2章 类别不平衡问题及流量识别的研究 | 第16-29页 |
| 2.1 类别不平衡问题的研究 | 第16-22页 |
| 2.1.1 不平衡数据集的分类挑战 | 第16-18页 |
| 2.1.2 主要研究方法 | 第18-20页 |
| 2.1.3 评价标准 | 第20-22页 |
| 2.2 基于机器学习的流量识别技术 | 第22-28页 |
| 2.2.1 特征选择 | 第22-23页 |
| 2.2.2 有监督学习 | 第23-25页 |
| 2.2.3 无监督学习 | 第25-27页 |
| 2.2.4 半监督学习 | 第27-28页 |
| 2.3 本章小结 | 第28-29页 |
| 第3章 小样本加密流量识别系统的设计与实现 | 第29-49页 |
| 3.1 数据预处理 | 第30-32页 |
| 3.1.1 SMOTE 算法 | 第30-32页 |
| 3.1.2 算法的特点及问题 | 第32页 |
| 3.2 基于互信息的聚类模型 | 第32-38页 |
| 3.2.1 K-Means 算法 | 第32-33页 |
| 3.2.2 互信息 | 第33-36页 |
| 3.2.3 基于互信息的聚类模型设计 | 第36-38页 |
| 3.3 基于 Neyman-Pearson 准则的簇内分类模型 | 第38-48页 |
| 3.3.1 支持向量机 | 第38-41页 |
| 3.3.2 2v-SVM 模型 | 第41-44页 |
| 3.3.3 基于 Neyman-Pearson 准则的模型设计 | 第44-48页 |
| 3.4 本章小结 | 第48-49页 |
| 第4章 系统性能测试与分析 | 第49-58页 |
| 4.1 系统开发和测试环境 | 第49页 |
| 4.2 实验数据集 | 第49-50页 |
| 4.3 基于互信息的聚类结果及分析 | 第50-54页 |
| 4.4 基于 Neyman-Pearson 准则的分类结果及分析 | 第54-56页 |
| 4.5 本章小结 | 第56-58页 |
| 结论 | 第58-59页 |
| 参考文献 | 第59-65页 |
| 攻读学位期间发表的学术论文 | 第65-67页 |
| 致谢 | 第67页 |
