基于支持向量機的P2P流量識別關(guān)鍵技術(shù)研究.pdf

1、隨著互聯(lián)網(wǎng)技術(shù)的發(fā)展和成熟，大量的P2P應(yīng)用開始出現(xiàn)，這無論是對網(wǎng)絡(luò)流量管理還是帶寬控制，都給各級網(wǎng)絡(luò)管理員以及網(wǎng)絡(luò)服務(wù)提供商帶來了很大困難，因此，如何對網(wǎng)絡(luò)中的P2P流量準(zhǔn)確識別成為當(dāng)下研究的熱點。本文通過對現(xiàn)階段P2P流量識別技術(shù)的研究，對現(xiàn)有的P2P流量識別文獻進行歸類總結(jié)，將其分為四大類：端口識別法、應(yīng)用層特征識別法、基于流量特征的識別法和基于機器學(xué)習(xí)識別法。通過對已有技術(shù)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(zhǔn)確率和效率，并使得該識別算法能夠適合在真實的網(wǎng)絡(luò)環(huán)境中應(yīng)用，本文在支持向量機的核函數(shù)的參數(shù)優(yōu)化方面、分類結(jié)構(gòu)、增量學(xué)習(xí)算法以及P2P流量識別模型構(gòu)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(shù)中的參數(shù)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(shù)據(jù)子空間中調(diào)節(jié)學(xué)習(xí)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(shù)區(qū)間，之后在此區(qū)間內(nèi)根據(jù)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(wǎng)絡(luò)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(shù)中的兩個參數(shù)如何協(xié)同尋優(yōu)的問題，提出了一種基于黃金分割的參數(shù)協(xié)同尋優(yōu)法。該方法在第三章提出的懲罰函數(shù)C的基礎(chǔ)上，為了減少原始學(xué)習(xí)數(shù)據(jù)對結(jié)果的影響，提出快速高效的尋找最優(yōu)參數(shù)Υ的方

4、法。根據(jù)好區(qū)中的直線logγ logC log附近的就是最優(yōu)的參數(shù)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(shù)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(zhǔn)確率和分類時間。
　　（3）針對P2P流量中往往有異常數(shù)據(jù)，當(dāng)這些異常的樣本出現(xiàn)在訓(xùn)練樣本中，會使得訓(xùn)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(jié)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(jié)構(gòu)，在建立多分類圖的基礎(chǔ)上以是否違背KKT條件作為判斷依據(jù)，對分類器中的訓(xùn)練數(shù)據(jù)進行迭代處理，使用優(yōu)化的增量學(xué)習(xí)方法解決了當(dāng)訓(xùn)練樣本增大時會造成的重新訓(xùn)練問題，使得訓(xùn)練學(xué)習(xí)過程更為有效。該方法對于P2P流量中應(yīng)用類型多，流量突變狀況多的特點，具有較好的處理效果。
　?。?）針對P2P流量的特點，提出適合用于支持向量機進行分類訓(xùn)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(wǎng)絡(luò)流量是在線樣本數(shù)據(jù)，其分布一般不穩(wěn)定，樣本數(shù)據(jù)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(jù)反饋的概念，對于分類結(jié)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(xué)習(xí)的能力，并在學(xué)習(xí)的過程中用增量學(xué)習(xí)方式及時調(diào)整和更新規(guī)則庫，以求達到最好的學(xué)習(xí)分類效果。
　　本文通過對支持向量機的分類算法