| 摘要 | 第1-5页 |
| ABSTRACT | 第5-10页 |
| 第一章 绪论 | 第10-16页 |
| ·研究背景 | 第10-11页 |
| ·研究意义 | 第11页 |
| ·国内外研究现状 | 第11-14页 |
| ·基于端口(Port-based)的分类 | 第11-12页 |
| ·基于有效载荷(payload-based)的分类方法 | 第12-13页 |
| ·基于机器学习的网路流量分类方法现状 | 第13-14页 |
| ·文章主要内容及组织 | 第14-16页 |
| 第二章 数据采集及网络流的形成 | 第16-27页 |
| ·网络数据采集 | 第16-19页 |
| ·捕获方法 | 第17-18页 |
| ·数据集 | 第18-19页 |
| ·网络流的定义及特征计算 | 第19-22页 |
| ·流的定义 | 第19页 |
| ·流特征分析 | 第19-21页 |
| ·流的候选特征集 | 第21-22页 |
| ·流量应用类型的自动标识 | 第22-26页 |
| ·基于端口的识别 | 第23页 |
| ·基于特征串的识别 | 第23-25页 |
| ·基于协议的解析 | 第25页 |
| ·样本自动标识过程 | 第25-26页 |
| ·小结 | 第26-27页 |
| 第三章 网络流量的特征选择 | 第27-36页 |
| ·特征选择概述 | 第27-29页 |
| ·特征选择的分类 | 第27页 |
| ·特征空间的搜索方向 | 第27-28页 |
| ·搜索策略 | 第28页 |
| ·评价方法 | 第28-29页 |
| ·基于PCA 的网络流量特征选择 | 第29-32页 |
| ·PCA 降维原理 | 第30页 |
| ·基于PCA 的网络流量特征选择算法 | 第30-31页 |
| ·PCA 特征选择算法实验 | 第31-32页 |
| ·基于信息增益的网络流量特征分组及选择 | 第32-35页 |
| ·基于信息增益的网络流量特征分组及选择基础 | 第32-33页 |
| ·基于信息增益的网络流量特征分组及选择算法 | 第33-34页 |
| ·基于信息增益的网络流量特征分组及选择实验 | 第34-35页 |
| ·小结 | 第35-36页 |
| 第四章 基于聚类的网络流量分类及实验测评 | 第36-51页 |
| ·聚类技术概述 | 第36-40页 |
| ·聚类算法的类别 | 第36页 |
| ·层次聚类 | 第36-37页 |
| ·划分式聚类 | 第37-38页 |
| ·基于密度的聚类 | 第38页 |
| ·基于网格的聚类 | 第38-39页 |
| ·聚类算法比较与参数分析 | 第39-40页 |
| ·一种基于DBSCAN 的网络流量分类 | 第40-43页 |
| ·基于DBSCAN 算法的网络流量聚类的相关定义 | 第40-41页 |
| ·基于DBSCAN 的网络流量聚类方法 | 第41-43页 |
| ·基于K-Means 算法的网络流量分类 | 第43-44页 |
| ·经典K-Means 算法 | 第43-44页 |
| ·改进的K-Means 算法 | 第44页 |
| ·簇所属的应用类别的确定及分类器的分类规则 | 第44-45页 |
| ·簇所属的应用类别的确定 | 第44-45页 |
| ·基于聚类的分类器的分类规则 | 第45页 |
| ·基于聚类的分类器实验评测 | 第45-50页 |
| ·分类器评测标准 | 第45页 |
| ·实验数据集 | 第45-46页 |
| ·DBSCAN 聚类与分类实验 | 第46-48页 |
| ·K-Means 聚类分类实验 | 第48-50页 |
| ·小结 | 第50-51页 |
| 第五章 网络流量分类系统设计及实现 | 第51-59页 |
| ·系统整体框架 | 第51页 |
| ·数据采集模块 | 第51-54页 |
| ·网络流量分析及特征生成模块 | 第54-57页 |
| ·流量分类模块 | 第57-58页 |
| ·小结 | 第58-59页 |
| 第六章 总结与展望 | 第59-61页 |
| ·总结 | 第59页 |
| ·进一步的研究工作 | 第59-61页 |
| 参考文献 | 第61-65页 |
| 附录 | 第65-66页 |
| 致谢 | 第66页 |