神经网络集成及其P2P流量识别的应用研究

论文摘要

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FUZZY ARTMAP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FUZZY ARTMAP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FUZZY ARTMAP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FUZZY ARTMAP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FUZZY ARTMAP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FUZZY ARTMAP神经网络集成是最佳思路。

论文目录

• 中文摘要
• 英文摘要
• 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
• 2.2.1 RBF神经网络结构
• 2.2.2 RBF神经网络学习算法
• 2.2.3 RBF神经网络的优点及问题
• 2.3 FUZZY ARTMAP神经网络
• 2.3.1 FUZZY ARTMAP的网络结构
• 2.3.2 FUZZY ARTMAP神经网络学习算法
• 2.3.3 FUZZY ARTMAP神经网络的优点及问题
• 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
• 3.4.1 个体生成方式研究
• 3.4.2 结论生成方式分析
• 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
• 4.4.1 基于最优权值的神经网络选择方法
• 4.4.2 基于自适应遗传算法的实现方法
• 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
• 5.2.1 流量采集
• 5.2.2 P2P流量特征总结
• 5.3 流量特征选择
• 5.4 神经网络集成的识别过程
• 5.4.1 神经网络个体的构建
• 5.4.2 神经网络的集成方法
• 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
• A 作者在攻读硕士学位期间发表论文的情况