第1章 网络协议
1.1 互联网简史
1.2 OSI参考模型
1.3 TCP/IP协议
1.3.1 TCP/IP协议模型
1.3.2 TCP与UDP
1.3.3 Ethernet II帧格式
1.3.4 IPv4地址
1.3.5 IPv4报文
1.3.6 TCP报文
1.3.7 UDP报文
1.3.8 ICMP报文
1.4 IPv6
1.4.1 IPv6地址
1.4.2 IPv6报文
1.4.3 IPv6安全
第2章 网络流量数据集
2.1 网络数据集格式
2.1.1 PCAP文件格式
2.1.2 NetFlow格式
2.2 PCAP数据采集
2.2.1 数据采集方法
2.2.2 常用捕包分析工具
2.2.3 Libpcap库
2.2.4 数据集标注
2.2.5 NetFlow和IPFIX处理工具
2.3 开放数据集
2.3.1 CAIDA数据集
2.3.2 UNIBS数据集
2.3.3 WIDE数据集
2.3.4 WITS数据集
2.4 其他辅助工具
2.4.1 匿名化处理工具
2.4.2 IP地址定位
第3章 数据预处理与评估
3.1 数据清洗
3.2 数据变换
3.2.1 规范化
3.2.2 离散化
3.3 数据归约
3.4 维规约与特征选择
3.5 数据抽样
3.6 数据分布分析
3.6.1 简单度量指标
3.6.2 数据分布评估方法
3.7 数据集评估指标
3.8 特征的相关性分析
3.8.1 散布图
3.8.2 卡方检验
3.8.3 皮尔逊相关系数
第4章 机器学习方法
4.1 C4.5决策树
4.2 贝叶斯方法
4.2.1 贝叶斯定理
4.2.2 朴素贝叶斯
4.2.3 隐马尔可夫模型
4.2.4 贝叶斯网络
4.3 K-最近邻算法
4.4 支持向量机
4.4.1 SVM思想概述
4.4.2 线性支持向量机
4.4.3 非线性支持向量机与核函数
4.4.4 C-SVM、V-SVM与LS-SVM
4.4.5 LibSVM
4.5 K-均值聚类
4.6 分类器评估指标
4.6.1 关于分类器模型评估
4.6.2 关于分类结果评估
第5章 网络流量分类技术概述
5.1 基本概念
5.2 方法与现状
5.2.1 基于标准端口匹配
5.2.2 基于DPI
5.2.3 基于协议解析
5.2.4 基于统计学习
5.2.5 研究方法演进
5.3 流量分类方法比较评估
5.4 挑战
第6章 互联网流量特性分析
6.1 随机过程
6.2 自相似性
6.3 长相关性
6.4 Hurst指数
6.4.1 R/S估计方法
6.4.2 Whittle最大似然估计方法
6.4.3 小波估计方法
6.5 重尾分布
6.6 突发性
6.7 特性计算及演进趋势分析
第7章 基于端口的网络流量分类
7.1 典型端口分配
7.2 CAIDA CoralReef软件包
7.3 布隆过滤器
第8章 基于协议解析的网络流量分类
8.1 标准开放协议解析
8.1.1 TCP协议状态机
8.1.2 POP3协议状态机
8.1.3 HTTP协议状态机
8.2 协议行为分析
8.2.1 基于流量的分析方法
8.2.2 基于软件逆向分析方法
第9章 基于DPI的网络流量分类
9.1 DPI产品概述
9.2 多模式匹配算法
9.2.1 WM算法
9.2.2 AC算法
9.3 正则表达式
9.4 统计签名
9.5 L7filter
第10章 基于统计学习的网络流量分类方法
10.1 流统计特征
10.2 流特征生成工具
10.3 时间复杂度分析
10.3.1 学习算法的时间复杂度
10.3.2 流统计特征计算的时间复杂度
10.4 文献方法列举
10.5 机器学习软件包WEKA
10.5.1 WEKA数据文件格式
10.5.2 WEKA GUI菜单
10.5.3 WEKA Explorer
10.5.4 WEKA预处理
10.5.5 WEKA分类
10.5.6 WEKA聚类
10.5.7 WEKA关联分析
第11章 SIP和H.323 VoIP流量检测
11.1 概述
11.1.1 简介
11.1.2 发展历程
11.1.3 协议体系
11.2 VoIP流量检测
11.2.1 检测分析功能
11.2.2 检测分析原理
11.2.3 检测分析系统
第12章 Skype流量识别分类方法
12.1 引言
12.2 Skype发展现状
12.3 Skype流量识别方法
12.4 两种方法测试结果
12.4.1 基于应用行为的Skype识别方法测试结果
12.4.2 基于关键字的Skype识别方法
12.4.3 Skype真的没有官方服务器么？
12.5 小结
附录：词汇表
参考文献