| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第一章 绪论 | 第7-13页 |
| 1.1 研究背景 | 第7-9页 |
| 1.2 国内外研究现状 | 第9-10页 |
| 1.3 工作安排及论文结构 | 第10-13页 |
| 第二章 相关背景知识介绍 | 第13-22页 |
| 2.1 网络业务流分类识别方法 | 第13-18页 |
| 2.1.1 基于端口号的识别分类方法 | 第13-14页 |
| 2.1.2 基于深度包检测（DPI）的识别分类方法 | 第14-15页 |
| 2.1.3 基于流统计特征的识别分类方法 | 第15-17页 |
| 2.1.4 业务流识别分类方法总结 | 第17-18页 |
| 2.2 使用工具 | 第18-21页 |
| 2.2.1 抓包工具 Wireshark 介绍 | 第18-19页 |
| 2.2.2 LIBsvm工具包 | 第19-21页 |
| 2.3 本章小结 | 第21-22页 |
| 第三章 网络业务流特征提取及分析 | 第22-47页 |
| 3.1 引言 | 第22-24页 |
| 3.2 下行流包大小分布图 | 第24-28页 |
| 3.3 下行流包大小统计特征 | 第28-34页 |
| 3.4 包大小分布的 Hellinger 距离 | 第34-37页 |
| 3.5 包大小分布及包大小转移概率 | 第37-38页 |
| 3.6 下行与上行包数目和字节数之比、下行与上行相对包大小之比 | 第38-44页 |
| 3.7 包间到达时间间隔 | 第44-46页 |
| 3.8 本章小结 | 第46-47页 |
| 第四章 改进的 AP-SVM 分类算法研究 | 第47-62页 |
| 4.1 引言 | 第47页 |
| 4.2 算法基本原理 | 第47-56页 |
| 4.2.1 支持向量机（SVM） | 第47-50页 |
| 4.2.2 AP 聚类算法 | 第50-53页 |
| 4.2.3 AP-SVM 算法 | 第53-54页 |
| 4.2.4 分类及聚类效果衡量指标 | 第54-56页 |
| 4.3 改进 AP-SVM 算法—BAP-SVM | 第56-58页 |
| 4.3.1 BAP-SVM 算法原理 | 第56页 |
| 4.3.2 算法的实现 | 第56-58页 |
| 4.4 实验及结果 | 第58-61页 |
| 4.4.1 业务流特征选取比较实验 | 第59-60页 |
| 4.4.2 BAP-SVM 算法验证实验 | 第60-61页 |
| 4.5 本章小结 | 第61-62页 |
| 第五章 总结与展望 | 第62-64页 |
| 5.1 总结 | 第62页 |
| 5.2 展望 | 第62-64页 |
| 参考文献 | 第64-67页 |
| 附录1 攻读硕士学位期间撰写的论文 | 第67-68页 |
| 致谢 | 第68页 |