| 摘要 | 第3-4页 |
| Abstract | 第4页 |
| 1 绪论 | 第8-14页 |
| 1.1 课题研究背景 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-12页 |
| 1.3 本课题的研究意义 | 第12-14页 |
| 2 流量识别的相关技术 | 第14-23页 |
| 2.1 MonkeyRunner | 第14-15页 |
| 2.2 网络爬虫架构 | 第15-16页 |
| 2.3 协议特征字符串 | 第16-19页 |
| 2.4 分类学习算法 | 第19-23页 |
| 2.4.1 朴素贝叶斯 | 第19-20页 |
| 2.4.2 支持向量机 | 第20-21页 |
| 2.4.3 Apriori算法 | 第21-23页 |
| 3 IM流量特征工程 | 第23-36页 |
| 3.1 数据采集模块 | 第23-32页 |
| 3.1.1 Wireshark流量数据抓取 | 第23-25页 |
| 3.1.2 半自动数据采集 | 第25-27页 |
| 3.1.3 全自动数据采集 | 第27-32页 |
| 3.2 数据处理模块 | 第32-33页 |
| 3.3 特征提取模块 | 第33-36页 |
| 4 IM流量模型的构建 | 第36-59页 |
| 4.1 基于SAE的IM流量识别 | 第36-45页 |
| 4.1.1 SparseAutoEncoder稀疏自动编码算法 | 第36-37页 |
| 4.1.2 特征提取与APP分类 | 第37-45页 |
| 4.2 基于随机森林的应用流量识别 | 第45-53页 |
| 4.2.1 随机森林算法描述 | 第45-46页 |
| 4.2.2 随机森林模型构建 | 第46-49页 |
| 4.2.3 特征提取 | 第49-50页 |
| 4.2.4 模型泛化性能评测 | 第50-53页 |
| 4.3 基于XGboost的应用流量识别 | 第53-58页 |
| 4.3.1 XGboost算法描述 | 第53-54页 |
| 4.3.2 XGboost模型构建 | 第54-56页 |
| 4.3.3 特征提取 | 第56-57页 |
| 4.3.4 实验结果 | 第57-58页 |
| 4.4 实时流量识别系统构建 | 第58-59页 |
| 5 实验结果分析 | 第59-62页 |
| 5.1 Apriori特征提取算法与SAE算法的比较 | 第59-60页 |
| 5.2 模型比较与评估 | 第60-62页 |
| 6 总结与展望 | 第62-64页 |
| 参考文献 | 第64-67页 |
| 致谢 | 第67-68页 |
| 附录1 攻读硕士学位期间参与的项目和发表的论文 | 第68-69页 |
| 附录2 SAE实验结果 | 第69页 |