| 摘要 | 第1-5页 |
| ABSTRACT | 第5-9页 |
| 第一章 引言 | 第9-16页 |
| ·研究背景 | 第9页 |
| ·研究目的及意义 | 第9-10页 |
| ·国内外研究现状 | 第10-13页 |
| ·基于端口(Port-based)方法的研究现状 | 第10页 |
| ·基于有效载荷(Payload-based) 方法的研究现状 | 第10-12页 |
| ·基于机器学习的网络流量分类研究现状 | 第12页 |
| ·基于机器学习的P2P 流量分类研究现状 | 第12页 |
| ·不同层面的流量分析 | 第12-13页 |
| ·研究内容及组织结构 | 第13-16页 |
| ·论文研究内容 | 第13-14页 |
| ·论文组织结构 | 第14-16页 |
| 第二章 基于RELIEFF-CFS 的P2P 流量特征选择 | 第16-27页 |
| ·P2P 流的定义及特征产生 | 第16-17页 |
| ·P2P 流的定义及表示 | 第16页 |
| ·P2P 流特征的产生 | 第16-17页 |
| ·特征选择理论与研究现状 | 第17-19页 |
| ·基于RELI EFF-CFS 的算法进行特征选择 | 第19-21页 |
| ·用基于ReliefF 算法对P2P 流特征进行初步选择的方法 | 第19-20页 |
| ·用CFS 方法选择较优特征子集 | 第20-21页 |
| ·实验结果与分析 | 第21-25页 |
| ·本章小结 | 第25-27页 |
| 第三章 基于机器学习P2P 流量分类器研究 | 第27-39页 |
| ·基于支持向量机(SVM)的P2P 流量分类器方法 | 第27-30页 |
| ·核函数介绍 | 第27-28页 |
| ·最大间隔原则 | 第28-30页 |
| ·基于C4.5 决策树的P2P 网络流量分类器 | 第30-31页 |
| ·基于KNN 的P2P 流量分类器 | 第31-32页 |
| ·实验结果与分析 | 第32-38页 |
| ·机器学习最优参数搜索 | 第32-33页 |
| ·机器学习算法参数设置 | 第33页 |
| ·样本数量与分类准确率的关系 | 第33-34页 |
| ·类别数量与分类准确率的关系 | 第34-36页 |
| ·使用独立测试样本集对分类器进行测试 | 第36-38页 |
| ·实验结论 | 第38页 |
| ·本章小结 | 第38-39页 |
| 第四章 基于机器学习的P2P 流量分类系统的设计 | 第39-44页 |
| ·系统框架 | 第39页 |
| ·数据采集模块的设计 | 第39-40页 |
| ·数据解析模块的设计 | 第40-42页 |
| ·合成流模块的设计 | 第42页 |
| ·分类模块的设计 | 第42-43页 |
| ·本章小结 | 第43-44页 |
| 第五章 基于机器学习的P2P 流量分类系统的实现 | 第44-57页 |
| ·分类器构建阶段的实现 | 第44-49页 |
| ·数据采集功能的实现 | 第44-45页 |
| ·数据解析、流的合成模块的实现 | 第45页 |
| ·分类模块的实现 | 第45页 |
| ·系统主要功能介绍 | 第45-47页 |
| ·分类器构建阶段实验 | 第47-49页 |
| ·在线分类阶段的实现 | 第49-53页 |
| ·在线数据的捕获、解析 | 第49-51页 |
| ·在线流的的合成 | 第51页 |
| ·在线分类策略 | 第51-53页 |
| ·在线分类 | 第53-56页 |
| ·在线分类实验环境的构建 | 第53页 |
| ·在线分类算法 | 第53-54页 |
| ·在线分类实验 | 第54-56页 |
| ·本章小结 | 第56-57页 |
| 第六章 结论 | 第57-59页 |
| ·结论 | 第57-58页 |
| ·进一步的工作 | 第58-59页 |
| 参考文献 | 第59-64页 |
| 附录 | 第64-65页 |
| 致谢 | 第65页 |
