基于Hadoop的C4.5决策树及其在网络流量中的应用
| 摘要 | 第3-4页 |
| Abstract | 第4页 |
| 第1章 绪论 | 第7-13页 |
| 1.1 研究背景及意义 | 第7-9页 |
| 1.2 基于机器学习的分类方法的研究现状 | 第9-11页 |
| 1.2.1 国外研究现状 | 第9-10页 |
| 1.2.2 国内研究现状 | 第10-11页 |
| 1.3 网络流量分类的前景分析 | 第11-12页 |
| 1.4 论文的主要工作和组织结构 | 第12-13页 |
| 第2章 网络流量及机器学习算法的并行化研究 | 第13-29页 |
| 2.1 网络流量的相关概念 | 第13-15页 |
| 2.2 网络数据的捕获 | 第15-17页 |
| 2.2.1 Wireshark | 第15-16页 |
| 2.2.2 WinPcap | 第16-17页 |
| 2.3 Hadoop介绍 | 第17-20页 |
| 2.3.1 HDFS | 第17-19页 |
| 2.3.2 MapReduce概述 | 第19-20页 |
| 2.4 朴素贝叶斯算法 | 第20-23页 |
| 2.4.1 朴素贝叶斯算法介绍 | 第20-21页 |
| 2.4.2 朴素贝叶斯并行化流程 | 第21-23页 |
| 2.5 Apriori算法 | 第23-26页 |
| 2.5.1 Apriori算法介绍 | 第23-24页 |
| 2.5.2 Apriori算法并行化流程 | 第24-26页 |
| 2.6 聚类算法 | 第26-28页 |
| 2.6.1 聚类算法介绍 | 第26-27页 |
| 2.6.2 K-means聚类算法并行化流程 | 第27-28页 |
| 2.7 小结 | 第28-29页 |
| 第3章 改进的C4.5 决策树算法及其并行化 | 第29-38页 |
| 3.1 基于信息熵的决策树算法 | 第30-31页 |
| 3.2 基于基尼指数的决策树算法 | 第31-32页 |
| 3.3 改进的C4.5 决策树算法 | 第32-34页 |
| 3.3.1 泰勒公式和麦克劳林公式 | 第32-33页 |
| 3.3.2 算法的改进 | 第33-34页 |
| 3.4 C4.5 决策树算法并行化流程 | 第34-37页 |
| 3.5 小结 | 第37-38页 |
| 第4章 网络流量分类的并行化实现 | 第38-50页 |
| 4.1 数据预处理 | 第38-43页 |
| 4.1.1 数据的离散化 | 第38-40页 |
| 4.1.2 特征选择 | 第40-43页 |
| 4.2 C4.5 决策树算法的并行化分类实现 | 第43-44页 |
| 4.3 Hadoop平台搭建 | 第44-47页 |
| 4.4 实验结果 | 第47-49页 |
| 4.5 小结 | 第49-50页 |
| 第5章 总结和展望 | 第50-52页 |
| 5.1 总结 | 第50页 |
| 5.2 展望 | 第50-52页 |
| 参考文献 | 第52-55页 |
| 致谢 | 第55-56页 |
| 攻读硕士学位期间从事的科研工作及取得的成果 | 第56页 |
