流式计算环境下网络流量异常检测技术
| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 第一章 绪论 | 第9-15页 |
| 1.1 课题背景及意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-13页 |
| 1.2.1 流计算平台研究现状 | 第10-11页 |
| 1.2.2 网络异常流量检测研究现状 | 第11-13页 |
| 1.3 论文的研究内容 | 第13-14页 |
| 1.4 论文章节安排 | 第14-15页 |
| 第二章 相关背景知识介绍 | 第15-26页 |
| 2.1 流式计算平台简介 | 第15-18页 |
| 2.1.1 Spark生态系统 | 第15-16页 |
| 2.1.2 Spark Streaming技术 | 第16-18页 |
| 2.2 网络异常流量检测技术介绍 | 第18-21页 |
| 2.2.1 基于统计分析的检测方法 | 第19-20页 |
| 2.2.2 基于机器学习的检测方法 | 第20-21页 |
| 2.3 聚类算法介绍 | 第21-25页 |
| 2.3.1 聚类的定义和基本步骤 | 第21-22页 |
| 2.3.2 聚类分析中的相似性度量方法 | 第22-23页 |
| 2.3.3 聚类算法的分类和典型算法 | 第23-25页 |
| 2.4 本章小结 | 第25-26页 |
| 第三章 改进的K-均值聚类算法 | 第26-36页 |
| 3.1 K-均值聚类算法 | 第26-30页 |
| 3.1.1 K-均值聚类算法的思想和原理 | 第26-27页 |
| 3.1.2 K-均值聚类算法的基本步骤和流程 | 第27-29页 |
| 3.1.3 K-均值聚类算法分析 | 第29-30页 |
| 3.2 对K-均值聚类算法的改进 | 第30-35页 |
| 3.2.1 问题提出 | 第30页 |
| 3.2.2 改进算法的原理和基本流程 | 第30-33页 |
| 3.2.3 实验结果和分析 | 第33-35页 |
| 3.3 本章小结 | 第35-36页 |
| 第四章 基于Spark的网络异常流量检测系统 | 第36-48页 |
| 4.1 需求分析和系统整体架构 | 第36-37页 |
| 4.2 预处理模块 | 第37-39页 |
| 4.3 异常流量检测模型生成模块 | 第39-43页 |
| 4.4 异常流量实时识别模块 | 第43-45页 |
| 4.5 自适应的异常流量检测系统优化 | 第45-47页 |
| 4.6 本章小结 | 第47-48页 |
| 第五章 实验及结果分析 | 第48-58页 |
| 5.1 实验环境 | 第48-49页 |
| 5.2 实验数据集 | 第49-51页 |
| 5.3 实验设计 | 第51-52页 |
| 5.4 实验结果与分析 | 第52-57页 |
| 5.5 本章小结 | 第57-58页 |
| 第六章 总结与展望 | 第58-59页 |
| 参考文献 | 第59-61页 |
| 附录1 攻读硕士学位期间撰写的论文 | 第61-62页 |
| 附录2 攻读硕士学位期间参加的科研项目 | 第62-63页 |
| 致谢 | 第63页 |
