基于支持向量機的P2P流量識別關鍵技術研究.pdf

1、隨著互聯網技術的發(fā)展和成熟，大量的P2P應用開始出現，這無論是對網絡流量管理還是帶寬控制，都給各級網絡管理員以及網絡服務提供商帶來了很大困難，因此，如何對網絡中的P2P流量準確識別成為當下研究的熱點。本文通過對現階段P2P流量識別技術的研究，對現有的P2P流量識別文獻進行歸類總結，將其分為四大類：端口識別法、應用層特征識別法、基于流量特征的識別法和基于機器學習識別法。通過對已有技術進行論述，本文提出可以用基于支持向量機的分類算法對P2P

2、流量進行識別。
　　為了提高支持向量機的分類算法在識別P2P流量時的準確率和效率，并使得該識別算法能夠適合在真實的網絡環(huán)境中應用，本文在支持向量機的核函數的參數優(yōu)化方面、分類結構、增量學習算法以及P2P流量識別模型構建方面所取得的創(chuàng)新性成果有：
　?。?）針對支持向量機中核函數中的參數尋優(yōu)問題，提出了一種基于區(qū)間估計的懲罰因子優(yōu)化法。由于懲罰因子是確定的數據子空間中調節(jié)學習機器置信區(qū)間范圍，本文提出首先使用區(qū)間估計法，初步確

3、定一個最優(yōu)參數區(qū)間，之后在此區(qū)間內根據置信度和類二分法進行小步距精搜，從而確定懲罰因子C的取值。這樣可以大幅度地減少了對懲罰因子C的尋優(yōu)時間，從而使得基于支持向量機的分類算法在識別網絡中的P2P流量時，能夠更好地滿足實時性的要求。
　?。?）針對高斯核函數中的兩個參數如何協同尋優(yōu)的問題，提出了一種基于黃金分割的參數協同尋優(yōu)法。該方法在第三章提出的懲罰函數C的基礎上，為了減少原始學習數據對結果的影響，提出快速高效的尋找最優(yōu)參數Υ的方

4、法。根據好區(qū)中的直線logγ logC log附近的就是最優(yōu)的參數組合(C,γ)的原則，提出用黃金分割法進行迭代，通過將區(qū)間分段，分別求出各段的極大值，并選取多條平行的直線來增加好區(qū)中的覆蓋廣度，從而得到所需的最優(yōu)參數組合(C,γ)。優(yōu)化后的分類算法在對P2P流量識別時，提高了準確率和分類時間。
　?。?）針對P2P流量中往往有異常數據，當這些異常的樣本出現在訓練樣本中，會使得訓練樣本集變大，這樣分類算法會因為進行重新計算而使得分

5、類效率降低。因此，第五章結合基于支持向量機的增量算法的基本理論，提出了一種改進的有向無環(huán)圖的分類結構，在建立多分類圖的基礎上以是否違背KKT條件作為判斷依據，對分類器中的訓練數據進行迭代處理，使用優(yōu)化的增量學習方法解決了當訓練樣本增大時會造成的重新訓練問題，使得訓練學習過程更為有效。該方法對于P2P流量中應用類型多，流量突變狀況多的特點，具有較好的處理效果。
　　（4）針對P2P流量的特點，提出適合用于支持向量機進行分類訓練的流量

6、特征，并建立一個優(yōu)化的基于支持向量機的P2P流量識別模型。考慮到網絡流量是在線樣本數據，其分布一般不穩(wěn)定，樣本數據分布會隨著時間變化而變化。因此，在本章中所建立的基于支持向量機的識別模型依據反饋的概念，對于分類結果與實際偏離不大的，予以正面反饋信息，對于分類偏離較大的，予以負面反饋，從而達到整個系統(tǒng)不僅有學習的能力，并在學習的過程中用增量學習方式及時調整和更新規(guī)則庫，以求達到最好的學習分類效果。
　　本文通過對支持向量機的分類算法