基于SVM的P2P流量早期识别研究

摘要

P2P应用在提高服务质量的同时，也为网络流量的管理带来了新的挑战。出于流量管理的需要，对P2P流量识别的研究越来越受到人们的关注。网络应用的早期流量，蕴含了丰富的识别信息。对网络应用早期流量识别的研究对流量识别准确度和实时性的提高意义重大。SVM(支持向量机)是一种优秀的机器学习算法，具有良好的学习和泛化能力，非常适合流量识别领域的应用。在本文中基于SVM对P2P流量早期识别进行了相关研究。
　　本文的研究内容包括：
　　1.对P2P应用开展研究。通过对相关理论的灵活应用，提出了一个基于SVM对P2P流量早期识别的框架。并通过开展实验，对常见的几种P2P应用流量进行识别，验证了该框架可行性和有效性。
　　2.对框架中网络数据预处理过程进行设计，通过采集，数据净化，网络流还原，特征统计等步骤，实现了数据由捕获数据包到学习样本的转换。并对学习机泛化识别模型的过程进行了优化。
　　3.对P2P的早期流量特征进行研究，就P2P早期流量的多连接性，动态性及双向性特征对特征选择的指导意义进行了论证。对基于数据包，网络流和数据包、网络流混合特征三种特征选择策略进行实验对比。验证了基于数据包、网络流混合特征的P2P早期流量识别，在准确度、实时性及稳定性的综合性能优于基于数据包和基于网络流的特征选择策略。更适合实际问题的解决。

目录

第1章 绪 论

1.1 本文研究的意义

1.2 相关研究的现状

1.3 以往研究存在的问题

1.4 本文的主要研究内容和章节结构

第2章 相关知识

2.1 机器学习的理论

2.2 SVM算法概述

2.3 P2P网络的基础理论

2.4 本研究中所涉概念及标准

本章小结

第3章 识别系统基本框架及数据预处理

3.1 P2P流量早期识别的基本框架

3.2 数据的预处理

本章小结

第4章 特征属性选择

4.1 P2P早期流量的特征

4.2 特征选择方案比较

本章小结

第5章 识别模型的训练及实验测试

5.1 识别模型的训练

5.2 实验的结果及分析

本章小结

第6章 总结与展望

6.1 本文的工作总结

6.2 后续工作的展望

参考文献

致谢