| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-17页 |
| 1.1 选题背景及研究意义 | 第11-13页 |
| 1.2 国内外研究现状 | 第13-15页 |
| 1.3 研究内容及论文组织架构 | 第15-17页 |
| 第二章 研究思路及相关理论技术介绍 | 第17-32页 |
| 2.1 研究思路 | 第17页 |
| 2.2 电商APP移动流量获取及实现 | 第17-20页 |
| 2.2.1 网络流量获取技术简介 | 第17-19页 |
| 2.2.2 WireShark的基本使用及移动流量获取的实现 | 第19-20页 |
| 2.3 Hadoop技术及实现 | 第20-25页 |
| 2.3.1 Hadoop技术简介 | 第20-21页 |
| 2.3.2 Hadoop技术的主要框架 | 第21-22页 |
| 2.3.3 Hadoop技术的优势 | 第22-23页 |
| 2.3.4 基于Hadoop平台的MapReduce框架及实现 | 第23-25页 |
| 2.4 机器学习多分类算法介绍及实现 | 第25-31页 |
| 2.5 本章小结 | 第31-32页 |
| 第三章 基于URL的电商APP用户行为自动识别算法 | 第32-48页 |
| 3.1 任务描述 | 第32-33页 |
| 3.2 数据构建 | 第33-37页 |
| 3.2.1 电商APP用户行为流量规则识别 | 第34-36页 |
| 3.2.2 基于DPI的有标记URL数据集构建 | 第36-37页 |
| 3.3 基于URL的电商APP用户行为的多分类 | 第37-41页 |
| 3.3.1 多种特征处理策略 | 第37-40页 |
| 3.3.2 多种机器学习算法构建多分类模型 | 第40-41页 |
| 3.4 实验结果与分析 | 第41-47页 |
| 3.4.1 实验设计介绍 | 第41-42页 |
| 3.4.2 实验结果与分析 | 第42-47页 |
| 3.5 本章小结 | 第47-48页 |
| 第四章 基于DPI数据的电商APP用户购买行为预测 | 第48-56页 |
| 4.1 用户购买行为预测框架 | 第48-49页 |
| 4.2 DPI数据的采集及数据预处理 | 第49-50页 |
| 4.3 购买行为预测模型的研究 | 第50-55页 |
| 4.3.1 特征提取 | 第50-51页 |
| 4.3.2 实验设计与结果分析 | 第51-55页 |
| 4.4 本章小结 | 第55-56页 |
| 第五章 总结与展望 | 第56-58页 |
| 5.1 论文研究工作总结 | 第56页 |
| 5.2 未来工作展望 | 第56-58页 |
| 参考文献 | 第58-61页 |
| 致谢 | 第61-62页 |
| 攻读学位期间取得的研究成果 | 第62页 |
