基于小波核极限学习机的网络流量分类
| 学位论文数据集 | 第3-4页 |
| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第14-24页 |
| 1.1 课题研究背景及意义 | 第14-15页 |
| 1.2 国内外相关研究介绍 | 第15-21页 |
| 1.2.1 基于端口号匹配的网络流量分类方法 | 第15-16页 |
| 1.2.2 基于有效载荷的网络流量分类方法 | 第16-18页 |
| 1.2.3 基于传输层行为的网络流量分类方法 | 第18-21页 |
| 1.2.4 基于机器学习的网络流量分类方法 | 第21页 |
| 1.3 本文主要研究内容 | 第21-22页 |
| 1.4 文章的组织结构 | 第22-24页 |
| 第二章 网络流量分类概念及特性 | 第24-30页 |
| 2.1 网络流量分类基本概念 | 第24-25页 |
| 2.2 网络流量分类过程 | 第25页 |
| 2.3 流量行为的特点 | 第25-27页 |
| 2.3.1 随机过程 | 第25-26页 |
| 2.3.2 自相似性 | 第26页 |
| 2.3.3 长相关性 | 第26-27页 |
| 2.4 流量行为特点的评估方法 | 第27-28页 |
| 2.4.1 R/S估计方法 | 第27页 |
| 2.4.2 Whittle最大似然估计方法 | 第27-28页 |
| 2.4.3 小波估计方法 | 第28页 |
| 2.5 本章小结 | 第28-30页 |
| 第三章 基于机器学习的网络流量分类方法 | 第30-38页 |
| 3.1 基于机器学习的网络流量分类概述 | 第30-31页 |
| 3.1.1 机器学习方法概述 | 第30页 |
| 3.1.2 基于机器学习方法的流量分类模型 | 第30-31页 |
| 3.2 有监督的分类算法 | 第31-36页 |
| 3.2.1 支持向量机 | 第31-33页 |
| 3.2.2 贝叶斯方法 | 第33-35页 |
| 3.2.3 BP神经网络 | 第35-36页 |
| 3.3 无监督的分类算法 | 第36-37页 |
| 3.3.1 K-均值聚类 | 第36-37页 |
| 3.4 本章小结 | 第37-38页 |
| 第四章 基于小波核极限学习机的设计与实现 | 第38-54页 |
| 4.1 人工神经网络 | 第38-42页 |
| 4.1.1 神经网络概述 | 第38页 |
| 4.1.2 神经元 | 第38-39页 |
| 4.1.3 神经元功能函数 | 第39-40页 |
| 4.1.4 神经元之间的连接形式 | 第40-42页 |
| 4.2 小波核极限学习机模型构建 | 第42-48页 |
| 4.2.1 极限学习机原理 | 第42-44页 |
| 4.2.2 核极限学习机构建 | 第44-46页 |
| 4.2.3 小波核极限学习机构建 | 第46-48页 |
| 4.3 小波核极限学习机分类器实现步骤 | 第48-51页 |
| 4.3.1 极限学习机隐含层节点数设置 | 第48-49页 |
| 4.3.2 WK-ELM分类器的实现 | 第49-51页 |
| 4.4 本章小结 | 第51-54页 |
| 第五章 数据预处理 | 第54-68页 |
| 5.1 数据采集方法 | 第54-59页 |
| 5.1.1 网络数据集基本格式 | 第54-56页 |
| 5.1.2 PCAP数据采集 | 第56-59页 |
| 5.2 特征选择 | 第59-62页 |
| 5.3 数据集标注 | 第62-64页 |
| 5.4 数据归一化处理 | 第64-65页 |
| 5.5 本章小结 | 第65-68页 |
| 第六章 实验设计与分析 | 第68-78页 |
| 6.1 数据集选择和实验环境 | 第68-69页 |
| 6.1.1 数据集选择 | 第68-69页 |
| 6.1.2 实验环境 | 第69页 |
| 6.2 实验设计 | 第69-70页 |
| 6.3 实验评价指标 | 第70-71页 |
| 6.4 实验结果分析 | 第71-77页 |
| 6.5 本章小结 | 第77-78页 |
| 第七章 总结与展望 | 第78-80页 |
| 7.1 本文总结 | 第78页 |
| 7.2 展望 | 第78-80页 |
| 参考文献 | 第80-84页 |
| 致谢 | 第84-86页 |
| 研究成果及发表的学术论文 | 第86-88页 |
| 作者和导师简介 | 第88-90页 |
| 附件 | 第90-91页 |
