基于决策树的P2P流量识别方法研究
摘要 | 第5-6页 |
ABSTRACT | 第6-7页 |
符号对照表 | 第11-12页 |
缩略语对照表 | 第12-16页 |
第一章 绪论 | 第16-20页 |
1.1 研究背景与意义 | 第16-17页 |
1.1.1 P2P产生的背景 | 第16-17页 |
1.1.2 P2P的概念 | 第17页 |
1.1.3 P2P流量识别研究意义 | 第17页 |
1.2 国内外研究现状 | 第17-18页 |
1.3 本文的主要工作 | 第18-19页 |
1.4 本文的组织结构 | 第19-20页 |
第二章 P2P的相关概念 | 第20-30页 |
2.1 网络拓扑结构 | 第20-23页 |
2.1.1 传统网络拓扑 | 第20-22页 |
2.1.2 P2P网络拓扑结构 | 第22-23页 |
2.2 P2P业务特征与应用 | 第23-25页 |
2.2.1 主要应用 | 第23-24页 |
2.2.2 业务特征 | 第24-25页 |
2.3 P2P流量识别技术研究 | 第25-29页 |
2.3.1 端口识别 | 第26页 |
2.3.2 DPI深度包解析 | 第26-27页 |
2.3.3 盲分类 | 第27-28页 |
2.3.4 主动爬虫分类 | 第28-29页 |
2.4 小结 | 第29-30页 |
第三章 基于机器学习的流量识别 | 第30-46页 |
3.1 机器学习方法流量识别 | 第30-34页 |
3.1.1 机器学习实现流量分类流程 | 第30-31页 |
3.1.2 实验数据集 | 第31页 |
3.1.3 特征选择 | 第31-32页 |
3.1.4 算法选择 | 第32页 |
3.1.5 性能评估 | 第32-34页 |
3.2 基于机器学习流量的分类算法 | 第34-39页 |
3.2.1 网络流量分类的定义与种类 | 第34-35页 |
3.2.2 最邻近分类算法 | 第35-36页 |
3.2.3 支持向量机算法 | 第36页 |
3.2.4 贝叶斯算法 | 第36-37页 |
3.2.5 决策树算法 | 第37-39页 |
3.3 搜索评估策略和算法的选择 | 第39-40页 |
3.3.1 搜索方法 | 第39页 |
3.3.2 特征子集评估器 | 第39-40页 |
3.3.3 流量识别算法的选择 | 第40页 |
3.4 实验结果与分析 | 第40-45页 |
3.4.1 实验平台与实验数据 | 第40-42页 |
3.4.2 实验特征子集选取 | 第42-43页 |
3.4.3 各属性集算法对比结果与分析 | 第43-45页 |
3.5 小结 | 第45-46页 |
第四章 基于决策树的算法性能分析 | 第46-58页 |
4.1 算法的基本要求 | 第46页 |
4.2 流量分类的决策树算法 | 第46-47页 |
4.3 VFDT(快速决策树)算法 | 第47-48页 |
4.3.1 Hoeffding边界 | 第47页 |
4.3.2 VFDT算法特点 | 第47-48页 |
4.4 CVFDT方法 | 第48-51页 |
4.4.1 参数定义 | 第49页 |
4.4.2 CVFDT算法 | 第49-51页 |
4.5 实验结果与分析 | 第51-56页 |
4.5.1 实验环境及平台的构建 | 第51-54页 |
4.5.2 实验数据及设置 | 第54页 |
4.5.3 实验分析 | 第54-56页 |
4.6 小结 | 第56-58页 |
第五章 P2P应用的识别技术 | 第58-74页 |
5.1 P2P流量特征分析 | 第58-59页 |
5.2 P2P流量特征选取 | 第59-66页 |
5.2.1 平均包长度 | 第61-62页 |
5.2.2 数据包长度标准差 | 第62-63页 |
5.2.3 UDP协议使用率 | 第63-64页 |
5.2.4 端口与IP对应特性 | 第64-66页 |
5.3 P2P流量识别系统 | 第66-70页 |
5.3.1 模块的总体设计 | 第66页 |
5.3.2 模块设计与实现 | 第66-70页 |
5.4 软件测试与分析 | 第70-72页 |
5.4.1 测试环境 | 第70页 |
5.4.2 实验设计 | 第70-72页 |
5.5 小结 | 第72-74页 |
第六章 总结与展望 | 第74-76页 |
6.1 总结 | 第74页 |
6.2 展望 | 第74-76页 |
参考文献 | 第76-80页 |
致谢 | 第80-82页 |
作者简介 | 第82-83页 |