声明
第一章 绪 论
1.1 研究背景和意义
1.2 国内外研究现状
1.2.1 基于有效负载的流量识别
1.2.2 基于流特征的流量识别
1.2.3 深度神经网络
1.3 论文组织结构
第二章 基于CNN和LSTM网络的业务承载原理
2.1基于CNN的业务承载原理
2.1.1 数据流空间特征
2.1.2 CNN网络结构
2.1.3 基于CNN的业务分类原理
2.2 基于LSTM的业务承载原理
2.2.1 数据流时间特征
2.2.2 LSTM网络结构
2.2.3 基于LSTM的业务分类原理
2.3 CNN和LSTM的业务承载关键技术
2.3.1 业务控制原理
2.3.2 业务质量评估
2.4 本章小结
第三章 基于CNN的业务承载系统设计
3.1 基于CNN的系统结构设计
3.1.1 系统框架简介
3.1.2 系统平台建立
3.2 基于CNN的实时流量分类模型
3.2.1 CNN流量分类模型
3.2.2 数据采集配置
3.2.3 通用数据预处理
3.3 业务流量控制模型
3.3.1 实时流的生成
3.3.2 流量标记
3.3.3 流量转发
3.4 数据流分析
3.4.1 数据流的选择
3.4.2 网络模型参数的讨论
3.5 本章小结
第四章 基于LSTM的业务承载系统设计
4.1 基于LSTM的系统结构设计
4.1.1 LSTM业务承载框架
4.1.2 系统搭建流程
4.2 基于LSTM的流量分类模型
4.2.1 LSTM流量分类模型
4.2.2 训练样本的生成
4.3 实时业务流控制模型
4.3.1 业务流选取
4.3.2 业务流区分承载
4.4 流序列分析
4.4.1 流序列输入维度的选择
4.4.2 网络模型参数的讨论
4.5 本章小结
第五章 多业务承载系统验证与分析
5.1 系统测试设计
5.1.1 测试平台简介
5.1.2 测试平台搭建
5.2 基于CNN的多业务承载系统测试
5.2.1 单业务的服务质量分析
5.2.2 多业务的服务质量分析
5.3 基于LSTM的多业务承载系统测试
5.3.1 单业务的服务质量分析
5.3.2 多业务的服务质量分析
5.4 本章小结
第六章 总结与展望
6.1 总结
6.2 展望
致谢
参考文献
攻读硕士学位期间取得的成果