神经网络集成及其P2P流量识别的应用研究

摘要

目前P2P技术应用越来越广泛，但该应用最主要的问题是消耗大量网络带宽，并带来版权、安全和垃圾信息等问题。因此必须对P2P流量进行监控和管理以提高网络服务的性能。在该监控和管理系统中，P2P流量识别是最关键的技术。因此研究高效的P2P流量识别方法具有重要意义。
　　从国内外的报道来看，基于神经网络的P2P流量识别方法可以取得比较好的效果；但该方法的系统的泛化能力不高，本课题利用神经网络集成来解决这一问题。
　　本文创新之处主要在于以下三个方面：一是提出采用自适应遗传算法构造神经网络集成的方法，该方法能够有效提高学习系统的泛化能力；二是将提出的神经网络集成应用在RBF和FUZZYARTMAP神经网络集成中，并将这两种神经网络集成应用于P2P流量识别中；三是建立仿真模型，对这两种神经网络集成的P2P流量识别方法进行仿真验证，并比较了这两种神经网络集成的P2P流量识别方法。
　　我们首先比较了BP、RBF和FUZZYARTMAP三种神经网络，仿真结果表明，三种神经网络对P2P流量的识别率都很高，但在训练时间上，RBF神经网络最好，BP神经网络最差。
　　然后将RBF和FUZZYARTMAP神经网络集成用于P2P流量识别中，结果表明，两种神经网络集成在牺牲一些训练时间和识别时间的基础上对P2P流量的识别率都有很大的提高。
　　我们最后优化了神经网络集成，结果表明，基于简单平均的RBF神经网络集成的平均识别率为99.15％，较优化前的平均识别率提高了1.5%，平均训练时间为2.5872s，平均识别时间为0.9174s；而FUZZYARTMAP神经网络集成的平均识别率为99.48%，较优化前的平均识别率提高了0.6%，平均训练时间为6.2824s，平均识别时间为1.4193s。
　　从上述结果可知，RBF神经网络集成的训练时间和识别时间都较少，满足实时要求，识别效果较好，识别率低于FUZZYARTMAP神经网络集成。如果使用软件，用RBF神经网络集成方案最佳；如果使用硬件方案，用FUZZYARTMAP神经网络集成是最佳思路。

目录

封面

中文摘要

英文摘要

目录

1 绪 论

1.1 引言

1.2 神经网络的发展

1.3 神经网络集成研究

1.4 P2P流量识别的研究现状

1.5 本文的研究内容及组织结构

2 神经网络

2.1 神经网络概述

2.2 RBF神经网络

2.3 FUZZY ARTMAP神经网络

2.4 本章小结

3 神经网络集成

3.1 引言

3.2 神经网络集成的定义

3.3 神经网络集成的原理

3.4 神经网络集成的构造方法和相关技术

3.5 本章小结

4 基于自适应遗传算法的神经网络集成

4.1 遗传算法

4.2 遗传算法的基本原理

4.3 自适应遗传算法

4.4 基于自适应遗传算法的神经网络集成

4.5 本章小结

5 神经网络集成用于P2P流量识别

5.1 引言

5.2 流量特征分析

5.3 流量特征选择

5.4 神经网络集成的识别过程

5.5 本章小结

6 仿真结果及结果分析

6.1 仿真和结果分析

6.2 神经网络集成的优化方案

6.3 本章小结

7 总结与展望

致谢

参考文献

附 录