基于机器学习的网络流量识别方法研究

声明

摘要

第1章 绪论

1．1 研究的背景及意义

1．2 国内外研究现状

1．3 论文主要研究内容

1．4 论文的组织结构

第2章 网络流量识别的理论知识概述

2．1 特征处理方法

2．2 网络流量识别的概念

2．3 传统的流量识别方法

2．4 基于机器学习的流量识别方法

2．5 评价标准

2．6 本章小结

第3章 基于K-L变换的ReliefF特征选择算法研究

3．1 流量特征

3．2 K-L变换

3．3 ReliefF算法

3．4 KL-RF算法

3．4．1 KL-RF算法的提出

3．4．2 KL-RF算法描述及分析

3．4．3 KL-RF算法流程

3．5 本章小结

第4章 网络流量识别算法的研究

4．1 SVM识别算法

4．1．1 SVM的工作原理

4．1．2 核函数

4．1．3 SVM的训练算法

4．1．4 SVM分类方法

4．2 AdaBoost算法

4．3 改进的AdaBoost-SVM算法

4．3．1 算法的提出

4．3．2 算法的改进

4．3．3 改进算法的分析

4．3．4 改进算法的流程

4．4 本章小结

第5章 基于机器学习的网络流量识别仿真

5．1 实验环境和实验数据

5．2 KL-RF算法的仿真及结果分析

5．3 改进的AdaBoost-SVM算法的仿真与结果分析

5．4 本章小结

结论

参考文献

攻读硕士学位期间所发表的论文

致谢