| 摘要 | 第3-4页 |
| Abstract | 第4页 |
| 1 绪论 | 第7-11页 |
| 1.1 研究背景 | 第7-8页 |
| 1.2 研究现状 | 第8-9页 |
| 1.3 研究意义 | 第9-10页 |
| 1.4 论文组织结构 | 第10页 |
| 1.5 本章小结 | 第10-11页 |
| 2 相关技术介绍 | 第11-20页 |
| 2.1 SDN技术概述 | 第11-14页 |
| 2.1.1 SDN核心思想 | 第11-12页 |
| 2.1.2 SDN网络架构 | 第12-14页 |
| 2.2 OpenFlow技术概述 | 第14-16页 |
| 2.2.1 OpenFlow交换机 | 第14-15页 |
| 2.2.2 OpenFlow控制器 | 第15-16页 |
| 2.3 机器学习相关技术介绍 | 第16-19页 |
| 2.3.1 机器学习技术概述 | 第16-17页 |
| 2.3.2 贝叶斯算法介绍 | 第17-18页 |
| 2.3.3 半监督k-means算法介绍 | 第18-19页 |
| 2.3.4 协同训练 | 第19页 |
| 2.4 本章小结 | 第19-20页 |
| 3 基于分类的SDN网络负载均衡选路的研究现状 | 第20-25页 |
| 3.1 流分类技术的研究现状及面临的问题 | 第20-23页 |
| 3.1.1 基于端口的流分类技术 | 第20-21页 |
| 3.1.2 基于深度包检测(DPI)的流分类技术 | 第21-22页 |
| 3.1.3 基于MapReduce的流分类技术研究现状 | 第22页 |
| 3.1.4 基于机器学习的流分类技术研究现状 | 第22-23页 |
| 3.2 基于SDN的负载均衡选路的研究 | 第23-24页 |
| 3.2.1 基于SDN网络负载均衡选路方法的研究现状及存在的问题 | 第23页 |
| 3.2.2 流分类技术在SDN网络负载均衡选路中的优势 | 第23-24页 |
| 3.3 本章小结 | 第24-25页 |
| 4 方案研究与设计 | 第25-42页 |
| 4.1 基于学习的流分类算法的设计与实现 | 第26-34页 |
| 4.1.1 数据集的选择 | 第26页 |
| 4.1.2 数据集的处理 | 第26-29页 |
| 4.1.3 Qos分类模型 | 第29-30页 |
| 4.1.4 分类性能评价标准 | 第30-31页 |
| 4.1.5 基于半监督分类算法的设计与实现 | 第31-33页 |
| 4.1.6 分类算法对比实验结果及分析 | 第33-34页 |
| 4.2 选路方案的研究与设计 | 第34-41页 |
| 4.2.1 OpenFlow相关消息分析 | 第35-36页 |
| 4.2.2 路由算法的设计 | 第36-41页 |
| 4.3 本章小结 | 第41-42页 |
| 5 仿真实验的结果分析以及算法应用场景分析 | 第42-55页 |
| 5.1 仿真实验环境 | 第42-46页 |
| 5.1.1 Mininet介绍 | 第42-43页 |
| 5.1.2 Floodlight控制器 | 第43-44页 |
| 5.1.3 实验环境搭建 | 第44-46页 |
| 5.2 仿真实验结果 | 第46-53页 |
| 5.2.1 性能评价指标 | 第46-47页 |
| 5.2.2 实验场景设计 | 第47页 |
| 5.2.3 实验结果分析 | 第47-53页 |
| 5.3 算法应用场景分析 | 第53-54页 |
| 5.4 本章小结 | 第54-55页 |
| 结论 | 第55-56页 |
| 参考文献 | 第56-59页 |
| 致谢 | 第59-60页 |
