基于SVM的機器學習識別P2P流的方法的研究與實現(xiàn).pdf

1、P2P是一種近年來發(fā)展迅速的網(wǎng)絡(luò)服務(wù)，它開啟了網(wǎng)絡(luò)的邊緣資源。用戶可以通過P2P更快速地下載資源，還可以尋找到一些平時很難找到的資源。它的便利和快速使得用戶數(shù)量逐漸龐大，同時也侵占了更多的網(wǎng)絡(luò)資源，引起網(wǎng)絡(luò)擁塞，妨礙了其它正常業(yè)務(wù)的開展和關(guān)鍵服務(wù)的運營。運營商和其它一些企業(yè)都計劃通過識別出網(wǎng)絡(luò)中的P2P流量，從而可以進一步采取限制等操作。
　　 傳統(tǒng)的基于靜態(tài)端口、協(xié)議和有效載荷的P2P流量的分析方法取得了較好的分類效果。但隨著

2、P2P協(xié)議的發(fā)展，很多P2P服務(wù)采用動態(tài)的端口，甚至占用常用的固定端口，而載荷也使用了加密，傳統(tǒng)的分類方法效果不再明顯或者不再有效。
　　 本文研究基于P2P流的流量分類方法，綜合考慮端口和獨立于端口和載荷的流屬性，以機器學習思想為指導，使用SVM算法獲得分類模型，根據(jù)分類模型預知流類別。
　　 本論文主要進行了如下幾個方面的工作：
　　 1.對P2P進行了綜述，由于P2P中BT使用最為廣泛，因此重點闡述了BT的

3、架構(gòu)和工作過程；
　　 2.對機器學習進行了研究，描述其研究意義和內(nèi)容，并研究了其應(yīng)用于流識別的過程；
　　 3.對SVM進行了研究，在研究其分類原理的基礎(chǔ)上，提出了SVM識別P2P流的總體思路；
　　 4.對libSVM進行了測試，研究其輸入方式，確定了流屬性輸出的數(shù)據(jù)格式；
　　 5.對流屬性輸出進行了編碼實現(xiàn)，由于需要處理大量的包，還需要流屬性數(shù)據(jù)，因此編寫相關(guān)程序，以便能批量快速地得到流屬性數(shù)據(jù)；

4、
　　 6.對libSVM預測流分類進行了實現(xiàn)，得到一些試驗數(shù)據(jù)，以了解基于SVM的機器學習識別P2P流的可行性和準確性。
　　 網(wǎng)絡(luò)運營商和其他一些網(wǎng)絡(luò)管理者通過識別P2P流的方法，解決快速增長P2P帶來的帶寬資源濫用、網(wǎng)絡(luò)性能下降、版權(quán)保護等問題。P2P流量識別也是網(wǎng)絡(luò)研究者的熱點問題，有必要深入了解和研究P2P流量和P2P行為。另外，機器學習作為研究如何使用機器來模擬人類學習活動的學科，在數(shù)據(jù)挖掘領(lǐng)域得到了廣泛的應(yīng)