| 摘要 | 第4-6页 |
| abstract | 第6-8页 |
| 提要 | 第13-14页 |
| 第1章 绪论 | 第14-24页 |
| 1.1 研究背景及意义 | 第14-16页 |
| 1.2 国内外研究现状 | 第16-20页 |
| 1.2.1 基于端口的流量分类 | 第16页 |
| 1.2.2 基于DPI的流量分类 | 第16-17页 |
| 1.2.3 基于协议解析的流量分类 | 第17-18页 |
| 1.2.4 基于机器学习的流量分类 | 第18-20页 |
| 1.3 本文主要研究内容 | 第20-22页 |
| 1.4 本文组织结构 | 第22-24页 |
| 第2章 SVM相关理论基础 | 第24-37页 |
| 2.1 基于数据的机器学习问题 | 第24-25页 |
| 2.2 统计学习理论 | 第25-29页 |
| 2.2.1 学习过程一致性 | 第25-26页 |
| 2.2.2 VC维和泛化能力的界 | 第26-28页 |
| 2.2.3 结构风险最小化原则 | 第28-29页 |
| 2.3 支持向量机 | 第29-32页 |
| 2.3.1 线性支持向量机 | 第29-31页 |
| 2.3.2 非线性支持向量机 | 第31-32页 |
| 2.4 SVM分类中的问题 | 第32-36页 |
| 2.4.1 多类分类 | 第33-34页 |
| 2.4.2 核函数选择 | 第34-35页 |
| 2.4.3 高维特征选择及提取 | 第35页 |
| 2.4.4 参数优化 | 第35-36页 |
| 2.5 本章小结 | 第36-37页 |
| 第3章 基于SVM的流量特征选择和特征提取 | 第37-69页 |
| 3.1 引言 | 第37-38页 |
| 3.2 数据预处理 | 第38-41页 |
| 3.2.1 核函数的选择 | 第38-40页 |
| 3.2.2 数据抽样与规范化 | 第40-41页 |
| 3.3 特征降维方法 | 第41-42页 |
| 3.4 基于SVM的Filter-Wrapper混合特征选择模型 | 第42-48页 |
| 3.4.1 模型框架 | 第43页 |
| 3.4.2 算法框架 | 第43-45页 |
| 3.4.3 评价策略 | 第45-47页 |
| 3.4.4 搜索策略 | 第47-48页 |
| 3.5 基于SVM的PCA特征提取模型 | 第48-53页 |
| 3.5.1 主成分分析 | 第49-50页 |
| 3.5.2 模型框架 | 第50-51页 |
| 3.5.3 基于PCA的二次特征选择 | 第51-53页 |
| 3.6 实验结果与分析 | 第53-68页 |
| 3.6.1 数据预处理 | 第53-56页 |
| 3.6.2 Filter-Wrapper混合特征选择性能分析 | 第56-61页 |
| 3.6.3 PCA特征提取性能分析 | 第61-68页 |
| 3.7 本章小结 | 第68-69页 |
| 第4章 基于SVM流量分类模型的参数优化 | 第69-99页 |
| 4.1 引言 | 第69页 |
| 4.2 基于改进网格算法的SVM参数优化 | 第69-72页 |
| 4.2.1 算法基本原理 | 第69-70页 |
| 4.2.2 改进算法框架 | 第70-72页 |
| 4.2.3 评估方法 | 第72页 |
| 4.3 基于改进粒子群算法的SVM参数优化 | 第72-79页 |
| 4.3.1 基本粒子群算法 | 第73-75页 |
| 4.3.2 算法权重系数分析及优化 | 第75-77页 |
| 4.3.3 算法学习因子分析及优化 | 第77-78页 |
| 4.3.4 算法流程 | 第78-79页 |
| 4.4 实验结果与分析 | 第79-97页 |
| 4.4.1 改进网格算法参数优化性能分析 | 第79-85页 |
| 4.4.2 改进网格算法参数优化比较分析 | 第85-88页 |
| 4.4.3 改进粒子群算法参数优化性能分析 | 第88-94页 |
| 4.4.4 改进粒子群算法参数优化比较分析 | 第94-97页 |
| 4.5 本章小结 | 第97-99页 |
| 第5章 基于特征选择和细菌觅食算法的SVM流量分类 | 第99-130页 |
| 5.1 引言 | 第99页 |
| 5.2 分类模型框架 | 第99-101页 |
| 5.3 基于GA的特征选择 | 第101-107页 |
| 5.3.1 标准遗传算法 | 第101-102页 |
| 5.3.2 GA优化的特征选择模型设计 | 第102-104页 |
| 5.3.3 模型实现流程 | 第104-107页 |
| 5.4 基于细菌觅食算法的SVM分类模型优化 | 第107-117页 |
| 5.4.1 BFO算法基本原理 | 第107-111页 |
| 5.4.2 IBFO算子改进 | 第111-115页 |
| 5.4.3 IBFO算法流程 | 第115-117页 |
| 5.5 实验结果与分析 | 第117-128页 |
| 5.5.1 流量特征选择 | 第117-119页 |
| 5.5.2 分类模型优化 | 第119-124页 |
| 5.5.3 SVM分类模型对比分析 | 第124-125页 |
| 5.5.4 不同分类器与方法对比分析 | 第125-127页 |
| 5.5.5 不同数据集对比分析 | 第127-128页 |
| 5.6 本章小结 | 第128-130页 |
| 第6章 总结和展望 | 第130-132页 |
| 6.1 总结 | 第130-131页 |
| 6.2 展望 | 第131-132页 |
| 参考文献 | 第132-143页 |
| 作者简介及在学期间所取得的科研成果 | 第143-144页 |
| 致谢 | 第144-145页 |
