第一章 绪论

1.1 网络流量识别的意义

1.2 网络流量识别方法的相关定义和评价标准

1.3 流量识别的发展和现有工作的不足

1.4 研究目标、主要内容和方法

1.5 研究背景

第二章 流特征选择算法

2.1 研究现状和存在问题

2.2 FBRI属性选择算法

2.3 FBRI算法实验与结果分析

2.4 MSAS属性选择算法

2.5 MSAS算法实验与结果分析

2.6 属性选择算法选择的属性集合

2.7 本章小结

第三章 报文抽样对网络流量应用识别的影响

3.1 抽样技术

3.2 相关定义与抽样下常见测度的分析

3.3 实验与分析

3.4 本章小结

第四章 改进的BP神经网络算法

4.1 现状和问题

4.2 BP神经网络

4.3 基于PCA的BP神经网络算法

4.4 实验与结果分析

4.5 本章小结

第五章 基于改进的Kmeans流量聚类算法

5.1 引言

5.2 Kmeans算法

5.3 基于模拟退火的Kmeans聚类算法

5.4 实验结果分析

5.5 本章小结

第六章 基于多概率神经网络模型的流量识别方法

6.1 概率神经网络

6.2 PNN决策函数逼近贝叶斯

6.3 基于概率神经网络算法

6.4 MPNN应用协议识别算法

6.5 实验与结果分析

6.6 训练集合大小对MPNN算法稳定性的影响

6.7 MPNN算法时空复杂度分析

6.8 本章小结

第七章 基于多分类器的网络流量识别方法

7.1 相关工作和存在问题

7.2 多分类器流量识别模型

7.3 测度属性

7.4 实验与结果分析

7.5 本章小结

第八章 总结及展望

8.1 研究目标和主要内容

8.2 研究主要创新点和贡献

8.3 研究展望

附录

参考文献

缩略词表

致谢

作者简介