微信流量模型与业务识别方法研究
| 摘要 | 第3-4页 |
| Abstract | 第4页 |
| 第1章 绪论 | 第8-14页 |
| 1.1 研究背景和研究目的 | 第8-10页 |
| 1.2 研究现状 | 第10-12页 |
| 1.3 论文研究的主要内容 | 第12页 |
| 1.4 论文结构安排 | 第12-14页 |
| 第2章 流量分类相关技术研究 | 第14-20页 |
| 2.1 流量分类基本过程 | 第14-15页 |
| 2.2 流量分类的主要方法 | 第15-18页 |
| 2.2.1 基于端.的分类 | 第15页 |
| 2.2.2 基于载荷的分类 | 第15-16页 |
| 2.2.3 基于行为的分类 | 第16-17页 |
| 2.2.4 基于统计学习的分类 | 第17-18页 |
| 2.3 分类方法性能评估策略 | 第18-19页 |
| 2.4 小结 | 第19-20页 |
| 第3章 基于微信流量的分类模型 | 第20-26页 |
| 3.1 概述 | 第20-21页 |
| 3.2 微信流量模式分析 | 第21-23页 |
| 3.2.1 流量的协议加密性 | 第21页 |
| 3.2.2 微信的通信机制 | 第21-23页 |
| 3.3 基于DPI的微信流量的分类模型 | 第23-25页 |
| 3.3.1 深包检测原理 | 第23页 |
| 3.3.2 微信流量分类模型 | 第23-25页 |
| 3.4 小结 | 第25-26页 |
| 第4章 微信流量的识别 | 第26-32页 |
| 4.1 微信业务的研究对象 | 第26-27页 |
| 4.2 微信特征分析 | 第27-30页 |
| 4.2.1 微信特征包选取 | 第28页 |
| 4.2.2 微信特征获取 | 第28-30页 |
| 4.3 微信特征优化 | 第30-31页 |
| 4.4 小结 | 第31-32页 |
| 第5章 微信业务的细粒度识别和分类 | 第32-42页 |
| 5.1 微信业务分类 | 第32-33页 |
| 5.2 微信业务的特征识别 | 第33-34页 |
| 5.3 短业务的分类 | 第34-36页 |
| 5.3.1 短业务的行为 | 第34-35页 |
| 5.3.2 短业务的识别 | 第35-36页 |
| 5.4 复合短业务的分类 | 第36-38页 |
| 5.4.1 复合短业务的行为 | 第36-37页 |
| 5.4.2 复合短业务的识别 | 第37-38页 |
| 5.5 长业务的识别 | 第38-41页 |
| 5.5.1 长业务的行为 | 第38-39页 |
| 5.5.2 长业务的识别 | 第39-41页 |
| 5.6 小结 | 第41-42页 |
| 第6章 实验及分析 | 第42-49页 |
| 6.1 系统开发环境及工具 | 第42-44页 |
| 6.2 流量采样 | 第44-46页 |
| 6.3 程序模块 | 第46-47页 |
| 6.4 实验结果分析 | 第47-48页 |
| 6.5 小结 | 第48-49页 |
| 第7章 总结 | 第49-52页 |
| 7.1 结论 | 第49-50页 |
| 7.2 需完善的工作 | 第50-51页 |
| 7.3 小结 | 第51-52页 |
| 参考文献 | 第52-54页 |
| 攻读学位期间发表论文与研究成果清单 | 第54-55页 |
| 致谢 | 第55-56页 |
