P2P流量識(shí)別技術(shù)研究.pdf

1、上世紀(jì)九十年代末,P2P(Peer-to-Peer,對等)網(wǎng)絡(luò)技術(shù)伴隨著著名的MP3共享軟件Napster的出現(xiàn)重新登上了歷史的舞臺(tái),自此許多基于P2P技術(shù)的應(yīng)用應(yīng)運(yùn)而生,并以迅雷不及掩耳之勢快速發(fā)展。各類P2P應(yīng)用為人們的工作和生活提供了多樣化的服務(wù),為企業(yè)帶來了巨大的商業(yè)價(jià)值;然而它在給人們帶來極大便利的同時(shí)也產(chǎn)生了許多負(fù)面影響,例如:大量占用網(wǎng)絡(luò)帶寬導(dǎo)致網(wǎng)絡(luò)擁塞,影響了服務(wù)的可用性、可靠性和服務(wù)質(zhì)量;文件共享導(dǎo)致的法律隱私問題等等

2、。因此,如果能及時(shí)檢測出網(wǎng)絡(luò)中的P2P流量并對其進(jìn)行合理的監(jiān)控,對于保障網(wǎng)絡(luò)的安全具有非常重要的現(xiàn)實(shí)意義。
　　 本文首先分析了P2P網(wǎng)絡(luò)技術(shù)的優(yōu)缺點(diǎn),進(jìn)而引出對網(wǎng)絡(luò)中P2P流量進(jìn)行識(shí)別研究的必要性。然后對當(dāng)前國內(nèi)外典型的P2P流量識(shí)別技術(shù)作分類介紹,比較并歸納了其優(yōu)缺點(diǎn),在此基礎(chǔ)上提出了一種基于機(jī)器學(xué)習(xí)一遺傳概率神經(jīng)網(wǎng)絡(luò)的對等網(wǎng)絡(luò)流量識(shí)別方法,即首先使用Relief和CFS特征選擇算法相結(jié)合的方法選取最優(yōu)特征集,減少冗余,降低

3、特征向量的維數(shù),確定并提取特征向量;然后使用遺傳算法優(yōu)化概率神經(jīng)網(wǎng)絡(luò)的平滑因子σ并構(gòu)造概率神經(jīng)網(wǎng)絡(luò)分類器;最后將特征向量作為優(yōu)化后的概率神經(jīng)網(wǎng)絡(luò)的輸入進(jìn)行P2P流量的識(shí)別?？傊?論文的主要工作如下:
　　 (1)深入分析了P2P流量區(qū)別于其他網(wǎng)絡(luò)流量的典型特征。鑒于較少的特征屬性不能完全體現(xiàn)出這兩類網(wǎng)絡(luò)流量的區(qū)別,而較多的屬性又會(huì)影響分類器的性能,本文引入Relief-CFS特征選擇算法提取最優(yōu)特征集,降低特征向量的維數(shù)。

4、>　　 (2)給出了一種流量特征和概率神經(jīng)網(wǎng)絡(luò)相結(jié)合的方法對網(wǎng)絡(luò)流量進(jìn)行分類,克服了當(dāng)特征向量的維數(shù)增加時(shí),難于使用閾值分類的弱點(diǎn)。
　　 (3)對于概率神經(jīng)網(wǎng)絡(luò)概率密度函數(shù)中平滑因子σ值難以確定的問題,引入遺傳算法對σ進(jìn)行優(yōu)化,選取最佳的平滑因子值。
　　 (4)針對上述方案在MatlabR2010a中進(jìn)行仿真驗(yàn)證,從虛報(bào)率、漏報(bào)率和正確率三個(gè)方面對其進(jìn)行評估,對比實(shí)驗(yàn)表明本文提出的將遺傳概率神經(jīng)網(wǎng)絡(luò)算法用于P2P流