面向不同应用类型的在线流量分类特征的研究
| 摘要 | 第1-9页 |
| Abstract | 第9-11页 |
| 第一章 绪论 | 第11-15页 |
| ·论文的研究对象和内容 | 第11-12页 |
| ·论文的研究背景和意义 | 第12-13页 |
| ·论文的主要工作及创新点 | 第13-14页 |
| ·在线流量特征的获取与分析 | 第13页 |
| ·数据包抽样条件下的在线流量分类 | 第13页 |
| ·特征选择对在线流量分类的优化 | 第13-14页 |
| ·论文的组织结构 | 第14-15页 |
| 第二章 互联网流量特征的研究现状 | 第15-25页 |
| ·端口特征 | 第15-17页 |
| ·端口特征的相关概念 | 第15-16页 |
| ·常见的端口特征 | 第16-17页 |
| ·端口特征对流量分类的作用 | 第17页 |
| ·应用负载特征 | 第17-20页 |
| ·应用负载特征的相关概念 | 第17-18页 |
| ·应用负载特征的分类 | 第18-19页 |
| ·应用负载特征对分类的作用 | 第19-20页 |
| ·统计特征 | 第20-22页 |
| ·统计特征的定义 | 第20页 |
| ·统计特征的分类 | 第20-21页 |
| ·统计特征对流量分类的作用 | 第21-22页 |
| ·主机行为特征 | 第22-23页 |
| ·本章小结 | 第23-25页 |
| 第三章 在线流量分类特征的研究 | 第25-41页 |
| ·在线流量分类对流量特征的要求 | 第25-26页 |
| ·实时性要求 | 第25页 |
| ·计算存储要求 | 第25-26页 |
| ·可重新训练分类器 | 第26页 |
| ·可用于在线流量分类的特征 | 第26-27页 |
| ·选用统计特征的原因 | 第26-27页 |
| ·在统计特征中进行的筛选 | 第27页 |
| ·适用于在线流量分类的特征 | 第27页 |
| ·模拟条件下验证特征对于在线流量分类的有效性 | 第27-37页 |
| ·数据集 | 第28-29页 |
| ·特征抽取 | 第29-34页 |
| ·分类算法 | 第34-35页 |
| ·结果分析 | 第35-37页 |
| ·现实网络环境中验证特征对于在线流量分类的有效性 | 第37-40页 |
| ·网络环境以及在线流量分类平台 | 第37-39页 |
| ·实验结果分析 | 第39-40页 |
| ·本章小结 | 第40-41页 |
| 第四章 基于抽样数据包的在线流量分类 | 第41-57页 |
| ·面临的主要问题 | 第41页 |
| ·基于数据包抽样的在线流量分类方法 | 第41-43页 |
| ·特征的概率分布 | 第43-47页 |
| ·获取概率分布的方法 | 第43-44页 |
| ·概率分析 | 第44-47页 |
| ·特征与应用类别的相关性分析 | 第47-50页 |
| ·相关性分析方法 | 第47-48页 |
| ·分析结果 | 第48-50页 |
| ·不同数据集上的验证 | 第50-55页 |
| ·分类准确率分析 | 第50-53页 |
| ·延时分析 | 第53-54页 |
| ·内存开销分析 | 第54-55页 |
| ·本章小结 | 第55-57页 |
| 第五章 面向不同应用类型的流量特征的研究 | 第57-67页 |
| ·特征选择简述 | 第57-59页 |
| ·特征选择流程 | 第58页 |
| ·特征选择对流量分类的影响 | 第58-59页 |
| ·动态自适应特征选择机制 | 第59-63页 |
| ·原理 | 第59-60页 |
| ·实验分析 | 第60-63页 |
| ·面向不同应用类型的特征选择机制 | 第63-66页 |
| ·原理 | 第63-64页 |
| ·实验分析 | 第64-66页 |
| ·本章小结 | 第66-67页 |
| 第六章 总结和展望 | 第67-69页 |
| 参考文献 | 第69-75页 |
| 致谢 | 第75-77页 |
| 附录 | 第77-78页 |
