P2P流量的識別與檢測技術的研究.pdf

1、自二十世紀九十年代末 P2P技術出現以來，P2P應用迅速發(fā)展，目前已占領多個網絡應用領域。P2P應用在為用戶提供前所未有的便利的同時，也已經嚴重影響了其他網絡應用的正常開展。P2P應用使用動態(tài)端口、加密應用層數據等策略逃避常規(guī)流量檢測機制，對流量檢測與管理造成困難。
　　對P2P應用流量的檢測是建立在對P2P技術充分理解基礎上的，本文根據P2P技術的發(fā)展，分析了其體系架構的變化，并研究了各種體系架構下的相關搜索技術。同時，以經典的

2、P2P應用——eDonkey為例，對其進行了協議分析。
　　P2P流量檢測技術是一研究熱點，國內外的研究學者提出了多種檢測方法，包括基于端口的，基于流統(tǒng)計特性的，基于傳輸層行為特征的和基于深層數據包掃描的。但這些方法存在著不同程度的缺陷。相對于傳統(tǒng)的檢測方法來說，支持向量機技術為P2P流量檢測技術注入了新的活力。支持向量機（Support Vector Machine，簡稱SVM）建立在統(tǒng)計學習理論和結構風險最小化原理基礎之上，避

3、免了局部最優(yōu)解，在解決小樣本的分類問題中表現出許多特有的優(yōu)勢。基于對P2P相關技術及支持向量機技術的研究，本文提出了基于支持向量機的P2P流量檢測技術。
　　在研究支持向量機技術的基礎上，提出了基于SVM的P2P流量檢測系統(tǒng)模型，并對模型各個組件的功能、機制、實現進行了深入探討。在P2P流量特征選取上，本文從數據包、數據流、網絡連接三個層面進行了特征選取。對用于 P2P流量檢測的網絡數據特征，本文利用異構數據集上的距離度量函數HV

4、DM進行了特征數據的預處理，并在有保證的估計方法的基礎上進行了訓練數據規(guī)模的確定，既避免了因訓練數據規(guī)模過小而導致的訓練結構太差問題，又減少了訓練時間，提高了訓練效率。在訓練數據的過程中，本文采用了兩種優(yōu)化方法對訓練過程進行優(yōu)化處理。一是運用模糊數學理論，考慮不同的網絡數據特征對P2P流量檢測結果的影響程度，提出了一種特征加權處理方法，并通過實驗數據說明該方法在檢測精度上有所提高；二是運用循環(huán)選擇算法，對訓練數據進行循環(huán)選擇。這樣，一方