声明
摘要
插图和附表清单
1 绪论
1.1 论文研究背景
1.2 流量识别研究现状
1.3 论文研究目标
1.4 研究意义
1.5 论文章节安排
2.1 流量行为的特性
2.1.1 多测度相关性
2.1.2 自相似性
2.1.3 长相关性
2.2 流量行为特性的评估方法
2.2.1 R/S分析法
2.2.2 聚类方差法
2.2.3 余数方差法
2.2.4 周期图法
2.2.5 小波分析法
2.3 基于Hadoop的云计算技术
2.3.1 HDFS
2.3.2 Map/Reduce
2.4 Map/Reduce的工作原理
2.5 本章小结
3 属性选择算法的研究
3.1 属性选择算法的定义
3.2 属性选择算法的分类
3.3 ReliefF算法
3.4 基于ReliefF的打包属性选择算法
3.4.1 方法思想
3.4.2 方法实现及分析
3.5 仿真分析
3.5.1 数据选取及描述
3.5.2 数据分析
3.6 本章小结
4 AR现象
4.1 AR的产生
4.2 AR产生的原因
4.3 AR对流量识别带来的影响
4.4 单向流测度和双向流测度
4.5 AR现象的解决方法
4.6 仿真分析
4.6.1 数据选取及描述
4.6.2 数据分析
4.7 本章小结
5 实时流量识别模型
5.1 机器学习方法
5.1.1 机器学习的定义及其原理
5.1.2 有监督学习与无监督学习
5.1.3 半监督学习及其流量分类方案
5.2 基于K-Means聚类的半监督学习模型
5.2.1 K-Means聚类算法
5.2.2 半监督算法SS-k-means
5.2.3 半监督算法SS-k-means算法的新特性
5.3 仿真分析
5.3.1 数据选取
5.3.2 数据分析
5.3.3 半监督学习SS-k-means算法新特性的测试
5.4 本章小结
6 总结与展望
6.1 总结
6.2 展望
参考文献
致谢
作者简介及读研期间主要科研成果