基于小波SVM的P2P流量識別技術(shù)研究.pdf

1、對等網(wǎng)絡(luò)技術(shù)(Peer-to-Peer,簡稱P2P)的迅速發(fā)展，使得其應用已經(jīng)占據(jù)了互聯(lián)網(wǎng)業(yè)務總量的60％-80％，甚至引起了網(wǎng)絡(luò)擁塞，嚴重影響了其他正常網(wǎng)絡(luò)業(yè)務的開展，因此就需要對P2P流量進行識別。目前現(xiàn)有的基于端口掃描、應用層特征串、流量特征等識別方法，對越來越多的使用動態(tài)端口甚至經(jīng)過加密的P2P應用顯得力不從心，使得P2P流量識別越來越困難。如何快速、準確、有效的識別和控制P2P流量具有非常重要的理論意義和現(xiàn)實價值。
　　

2、 支持向量機(Support Vector Machine,簡稱SVM)在避免局部最優(yōu)解，克服“維數(shù)災難”，解決小樣本、高維輸入空間的P2P流量識別問題上體現(xiàn)出了很多獨有的優(yōu)勢，為解決P2P流量識別問題提供了一條新的途徑。
　　 本文從P2P流量識別的原理為切入點，研究分析了P2P流量識別技術(shù)中存在的主要問題和實現(xiàn)有效的P2P流量識別方案所需要的技術(shù)，提出了一種基于小波SVM的P2P流量識別模型。重點工作如下：
　　

3、1、特征向量的選?。焊鶕?jù)節(jié)點流量呈現(xiàn)出有差異的行為特征，從數(shù)據(jù)包，網(wǎng)絡(luò)流，節(jié)點連接三個層面進行特征向量的分析，通過實驗選取了具有行為特征的三維特征向量，作為支持向量機的輸入向量。
　　 2、核函數(shù)的構(gòu)造：將小波分析中多尺度的學習方法和SVM結(jié)合起來，引入Mexican hat小波函數(shù)來構(gòu)造SVM的核函數(shù)，實現(xiàn)對流量樣本的多尺度逼近，自適應的處理P2P流量的非線性變化特征，提高識別精確率。
　　 3、訓練算法：提出一種基于

4、小波支持向量機的Boosting迭代算法應用于P2P流量識別，通過在學習過程中重點訓練錯分的樣本，來提高學習機的泛化能力，減小誤報率。
　　 最后，對論文提出的新的P2P流量識別模型進行驗證，采集了真實的P2P網(wǎng)絡(luò)流量，使用建模工具MATLAB7.0中的SVM工具箱(LIBSVM)來實現(xiàn)～個用于P2P流量識別的SVM，實驗從誤報率和漏報率兩個方面進行衡量，并同采用徑向基核函數(shù)的SVM識別模型進行了比較，實驗表明，基于小波SVM的