基于支持向量机的P2P流量实时检测技术研究

论文摘要

P2P系统打破了原有的“客户端/服务器”模式的网络结构,给用户带来了极大的方便。但是P2P应用的持续增长,也影响了用户的其他应用的正常运行。为了对P2P应用进行控制,首先需要将P2P流量检测出来。传统的P2P流量检测技术模式单调,实时性能力是采用基于payload特征等方法来实现的,并不能随着网络变化而调整。随着加密技术在P2P系统中的运用,以及安全隐私性的考虑,该方法已经逐步失效,而基于支持向量机方法的P2P流量检测方法虽然能够应对网络变化,发挥机器学习的优势,但其训练速度慢,效率低下,从而不能满足实时性要求。本文针对上述问题,首先提出了一种基于熵优化的支持向量机方法。该方法通过训练样本点空间位置的信息,建立信息熵模型,通过样本点的熵特征,对样本点进行筛选,剔除冗余的无关样本点,保留对最终结果起决定作用的支持向量,从而缩小样本集合,减少训练时间,提高训练效率。新的支持向量机模型简单、高效,克服了原有支持向量机运算速度慢、实现复杂等缺点。实验证明,一次训练的时间缩小到原有的不到10个百分点,对上万的样本集合进行训练时间在一分钟以内,从而完全满足P2P流量的实时检测要求。然后,文章根据网络流量管理的需要,设计了基于熵优化支持向量机的P2P流量实时检测系统,并以校园网体系结构为基础,对系统进行了实现和测试,初步验证了该系统在P2P流量实时检测方面的可行性。实验证明,该方法在解决线性可分的基于两类的分类问题时与同类方法相比时,具有简单、易于实现、效率高等特点,适合于解决P2P流量实时检测的要求。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 P2P 技术简介
• 1.1.1 P2P 的定义
• 1.1.2 P2P 的体系结构分类及相关应用产品
• 1.1.3 P2P 的主要应用
• 1.2 P2P 技术面临的问题
• 1.3 本文的主要工作
• 1.4 本文的组织结构
• 第二章 相关技术研究
• 2.1 P2P 流量检测技术
• 2.1.1 传统P2P 流量检测技术
• 2.1.2 基于机器学习的P2P 流量检测技术
• 2.2 支持向量机技术简介
• 2.2.1 支持向量机技术概述
• 2.2.2 支持向量机技术的理论分析
• 2.2.3 支持向量机技术的应用
• 2.3 信息熵概述
• 2.3.1 信息熵的定义
• 2.3.2 信息熵的应用
• 2.4 本章小结
• 第三章 基于熵优化的支持向量机（ESVM）
• 3.1 优化训练支持向量机的方法
• 3.1.1 分解法
• 3.1.2 修改优化问题法
• 3.1.3 增量学习法
• 3.1.4 几何法
• 3.2 熵与支持向量的关系
• 3.3 基于熵优化的支持向量机（ESVM）
• 3.3.1 模型建立
• 3.3.2 熵优化模型的时间复杂度分析
• 3.3.3 熵优化模型的空间复杂度分析
• 3.4 实验结果分析
• 3.5 本章小结
• 第四章 基于ESVM 的P2P 流量实时检测原型系统框架模型
• 4.1 基于ESVM 的P2P 流量实时检测系统总体设计结构
• 4.2 基于ESVM 的P2P 流量实时检测系统各功能模块的设计
• 4.2.1 流量特征提取模块
• 4.2.2 支持向量机训练模块
• 4.2.3 数据库模块
• 4.3 系统整体工作流程
• 4.4 本章小结
• 第五章 面向校园网的P2P 流量实时检测系统的实现与测试
• 5.1 校园网网络结构及判别特征的选取
• 5.1.1 校园网网络结构
• 5.1.2 校园网P2P 流量的特征的选取
• 5.2 系统所用到的开源工具及主要数据结构
• 5.2.1 WinPcap 简介
• 5.2.2 LIBSVM 简介
• 5.2.3 流量特征提取模块的实现
• 5.2.4 支持向量机训练模块的实现
• 5.3 系统测试
• 5.3.1 测试内容及环境
• 5.3.2 测试结果分析
• 5.4 本章小结
• 第六章 结束语
• 6.1 本文工作及创新点
• 6.2 未来工作展望
• 致谢
• 参考文献
• 作者在学期间取得的学术成果