深度学习模型在网络流量分类中的应用研究
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 课题研究的背景和意义 | 第10-11页 |
| 1.2 课题研究现状 | 第11-14页 |
| 1.2.1 网络流量分类技术的研究现状 | 第11-13页 |
| 1.2.2 深度学习研究现状 | 第13-14页 |
| 1.3 课题的来源及研究内容 | 第14-15页 |
| 1.3.1 课题来源 | 第14-15页 |
| 1.3.2 课题的主要研究内容 | 第15页 |
| 1.4 论文组织结构及内容安排 | 第15-16页 |
| 第2章 深度学习、实验平台及评价方法 | 第16-26页 |
| 2.1 深度学习 | 第16-23页 |
| 2.1.1 卷积神经网络 | 第16-18页 |
| 2.1.2 Softmax | 第18-20页 |
| 2.1.3 深度学习的训练过程 | 第20-21页 |
| 2.1.4 深度学习框架 | 第21-23页 |
| 2.2 实验数据集 | 第23-24页 |
| 2.3 实验平台 | 第24-25页 |
| 2.4 评价指标 | 第25页 |
| 2.5 本章小结 | 第25-26页 |
| 第3章 基于CNN的网络流量分类方法 | 第26-34页 |
| 3.1 基于CNN的网络流量分类方法 | 第26-31页 |
| 3.1.1 方法引入 | 第26页 |
| 3.1.2 模型结构设计 | 第26-29页 |
| 3.1.3 数据准备 | 第29-30页 |
| 3.1.4 识别流程 | 第30-31页 |
| 3.2 实验 | 第31-33页 |
| 3.2.1 实验设置 | 第31页 |
| 3.2.2 实验结果及分析 | 第31-33页 |
| 3.3 本章小结 | 第33-34页 |
| 第4章 基于1D-CNN的网络流量分类方法 | 第34-47页 |
| 4.1 相关工作 | 第34-36页 |
| 4.2 基于1D-CNN的网络流量识别方法 | 第36-42页 |
| 4.2.1 方法引入 | 第36-37页 |
| 4.2.2 Word2Vec原理 | 第37-40页 |
| 4.2.3 Dropout | 第40页 |
| 4.2.4 模型结构设计 | 第40-41页 |
| 4.2.5 工作流程 | 第41-42页 |
| 4.3 实验 | 第42-46页 |
| 4.3.1 实验数据 | 第42-44页 |
| 4.3.2 实验结果及分析 | 第44-46页 |
| 4.4 本章小结 | 第46-47页 |
| 结论 | 第47-48页 |
| 参考文献 | 第48-53页 |
| 攻读硕士学位期间所发表的学术论文 | 第53-54页 |
| 致谢 | 第54页 |
