第一章 绪论 1
1.1 网络流量识别的意义 1
1.2 网络流量识别方法的相关定义和评价标准 3
1.3 流量识别的发展和现有工作的不足 6
1.4 研究目标、主要内容和方法 18
1.5 研究背景 20
第二章 流特征选择算法 24
2.1 研究现状和存在问题 24
2.2 FBRI属性选择算法 29
2.3 FBRI算法实验与结果分析 34
2.4 MSAS属性选择算法 40
2.5 MSAS算法实验与结果分析 43
2.6 属性选择算法选择的属性集合 49
2.7 本章小结 51
第三章 报文抽样对网络流量应用识别的影响 53
3.1 抽样技术 54
3.2 相关定义与抽样下常见测度的分析 55
3.3 实验与分析 58
3.4 本章小结 66
第四章 改进的BP神经网络算法 67
4.1 现状和问题 67
4.2 BP神经网络 68
4.3 基于PCA的BP神经网络算法 71
4.4 实验与结果分析 75
4.5 本章小结 80
第五章 基于改进的Kmeans流量聚类算法 81
5.1 引言 81
5.2 Kmeans算法 82
5.3 基于模拟退火的Kmeans聚类算法 85
5.4 实验结果分析 88
5.5 本章小结 93
第六章 基于多概率神经网络模型的流量识别方法 94
6.1 概率神经网络 95
6.2 PNN决策函数逼近贝叶斯 98
6.3 基于概率神经网络算法 98
6.4 MPNN应用协议识别算法 100
6.5 实验与结果分析 102
6.6 训练集合大小对MPNN算法稳定性的影响 105
6.7 MPNN算法时空复杂度分析 109
6.8 本章小结 112
第七章 基于多分类器的网络流量识别方法 113
7.1 相关工作和存在问题 113
7.2 多分类器流量识别模型 116
7.3 测度属性 124
7.4 实验与结果分析 125
7.5 本章小结 129
第八章 总结及展望 130
8.1 研究目标和主要内容 130
8.2 研究主要创新点和贡献 131
8.3 研究展望 133
附录 135
参考文献 145
缩略词表 155
致谢 157
作者简介 159