基于K均值集成和SVM的P2P流量识别研究

提出基于K均值集成和支持向量机相结合的P2P流量识别模型,以保证流量识别精度和稳定性,克服聚类识别模型中参数值难以确定、复杂性高等缺点。对少量标签样本采用随机簇中心的K均值算法训练基聚类器,按最大后验概率分配簇标签,无标签样本与其最近簇标签一致;按投票机制集成无标签样本标签信息,并结合原标签样本训练支持向量机识别模型。该模型利用了集成学习稳定性和SVM在小样本集上的良好泛化性能。理论分析和仿真实验结果证明了方案的可行性。     

基于行为特征的P2P流量快速识别

网络中P2P流量的快速识别,对于实现网络流量控制和QoS保证提供了有效的流量组成结果.本文提出了一种基于行为特征的流量识别技术,捕获流量数据,分析数据集端口与IP个数比值,上行数据量和下行数据量比值,实现P2P流量快速识别.     

基于特征进程的P2P流量识别

为了解决P2P流量识别中用户使用端口跳跃、数据加密等方法带来的识别难题,通过对主机进程与网络流量相关性的研究,提出一种基于特征进程的P2P流量识别系统,在客户端通过进程匹配完成P2P流量的识别,并且具有发现未知P2P进程的能力。实验表明,该系统对于P2P流量具有较高的识别能力。     

基于应用层签名特征的P2P流量识别

P2P的广泛使用带来了带宽过量消耗、病毒传播迅速等严重问题。如何在享受P2P技术带来便利的同时又能有效地识别、控制P2P流量是当前的研究热点。通过基于报文TRACE的数据分析方法,获得了当前五种主流的P2P流的应用层签名特征,提出了一个基于应用层签名特征的识别算法,并通过实际实验对所提识别算法的有效性进行了验证,研究成果可直接应用于P2P流量的识别与管理。     

P2P流量识别与监测

随着P2P应用的不断增多,P2P流量所占网络总流量的比重越来越大。准确地识别出网络中P2P应用的流量对网络规划设计、QoS保证等都有十分重要的作用。介绍了当前P2P流量识别的研究现状,综述了四种典型的P2P流量识别技术:端口识别法、应用层特征识别法、流量模式识别法以及连接模式识别,分析了各个技术的优缺点,并对P2P流量识别的发展趋势进行了一些探讨。     

P2P流量识别技术研究

P2P技术飞速发展,应用形式不断多元化,很大程度上满足了人们信息共享和直接交流的需要;但是同时P2P流量特征决定了它给其他网络应用带来了一定的影响。因此,对高效可靠的P2P流量识别技术的研究刻不容缓。本文阐述了P2P流量特征,在此基础上分析了几种常见的P2P流量识别技术,并对这些技术的性能进行了比较,最后指出未来P2P流量识别技术发展方向。     

基于流身份识别的P2P流量检测

网络地址翻译器转发的混合流与P2P数据流呈现相似的流量外部特征。实际测试结果显示,如果数据捕获点位于网络地址翻译器之后,当前P2P流量特征识别方法（TLI）因为没有对网络地址翻译器(NAT)转发混合流进行区分而将导致虚警和漏报情况。为了解决此类问题,提出了基于流身份识别的P2P流量检测方法,首先通过分析IP标识时间序列完成对NAT转发混合流中源自不同设备数据流的身份识别,在此基础上采用流量特征检测P2P流量。以当前主要的P2P应用为例进行测试,结果说明,利用该方法可以有效识别NAT混合流中的P2P流量,较大幅度降低虚警率和漏报率。     

P2P流量识别技术研究

随着P2P技术的广泛使用,P2P应用虽然丰富了人们的生活,但部分P2P应用严重的影响了企事业单位的正常办公,并且为不良信息的广泛传播提供了便利。如何有效的识别并控制P2P流量已成为当前Internet技术中越来越重要一项研究,本文对P2P流量的识别进行了深入的研究,并提出了字段特征与PDU格式两种有效的识别方法。     

P2P流量识别技术综述

分析了P2P流量识别的重要性,通过系统归纳现有文献,按流量识别机制将现有识别方案分为基于端口识别法、应用层特征识别法、传输层特征识别法和机器学习方法4大类.并详细地剖析每类识别方法的原理、涉及的关键问题以及解决这些问题的具体方法和国内外的研究进展,讨论各自存在的优缺点.在此基础之上对未来可能出现的研究趋势做了展望.     

P2P流量识别技术综述

分析了P2P流量识别的重要性,通过系统归纳现有文献,按流量识别机制将现有识别方案分为基于端口识别法、应用层特征识别法、传输层特征识别法和机器学习方法4大类。并详细地剖析每类识别方法的原理、涉及的关键问题以及解决这些问题的具体方法和国内外的研究进展,讨论各自存在的优缺点。在此基础之上对未来可能出现的研究趋势做了展望。     

P2P与常规网络流量的SVM分类方法研究

提出一种应用支持向量机(SVM)算法的P2P与常规网络流量分类方法,该方法综合运用信息熵作为网络流量特征,并以校园网为实验环境实现了网络流量的分类实验.并在此基础上,描述数据的预处理方法、探讨SVM参数的选取对分类效果的影响.实验结果表明,所选特征、参数可以有效的对网络流量进行二分类,说明基于支持向量机算法对于网络流量的分类具有较高的精度和正确率.     

基于方差分析和支持向量机技术的P2P流量检测

P2P流量逐渐成为了互联网流量的重要组成部分,在对Internet起巨大推动作用的同时,也带来了因资源过度占用而引起的网络拥塞以及安全隐患等问题,妨碍了正常的网络业务的开展.首先介绍了各种P2P流量识别方法及其优缺点,然后提出一种基于方差分析的P2P流量特征选择方法和基于该方法的支持向量机技术在P2P流量准实时检测中的应用模型.实验结果及分析表明,该方法能较有效地检测P2P流量并具有更好的检测精度.     

支持向量机在P2P流量识别中的应用

本文提出一种使用支持向量机来对P2P流量进行识别的方法,利用支持向量机二值分类的本质特性,将网络数据包分为P2P流和非P2P流,再利用它对多类问题也能进行分类的特性,将P2P流区分为某一种具体协议。实验证明,该方法具有较高的识别率,说明了采用支持向量机技术进行P2P流量识别的有效性。     

基于流量与行为特征的P2P流量识别模型

针对点对点(P2P)用户习惯、运行环境的异构性,提出P2P流量识别的双层模型。该模型由单流内部流量特征的贝叶斯网络识别算法与多流之间行为特征的支持向量机识别算法组成。实验结果表明,相对于统计特征识别方法,该模型检测准确度提高5.4%,且对于不同应用场景具有较好的稳定性。     

基于双层特征的P2P流量检测

P2P应用的流行和泛滥,占用带宽,吞噬大量的网络资源.为了更好地识别和控制P2P流量,介绍了目前常用的P2P流量检测技术.提出了一个基于应用层有效载荷特征和传输层流量特征的双层特征的高效混合检测方法,介绍了选取的流量特征并总结出相应的数学公式,详细介绍了系统流程以及端口匹配模块、流量特征匹配模块和payload特征匹配模块的实现.通过实验室环境下测试出该方法和单独采用深度数据包扫描方式在虚警率和误报率两方面的数据表明该方法拥有更高的识别率和准确率.     

基于贝叶斯技术的P2P流量识别方法的研究

P2P技术的应用为人们提供了高效率的网络传输,同时这些应用也消耗了大量的网络带宽。为了有效地管理和控制不同类别的P2P流量,建立准确的P2P流量分类模型具有十分重要的理论意义和现实价值。基于贝叶斯分类技术,提出一种P2P流量分类方法,该方法利用网络流量的统计特征和基于统计理论的贝叶斯分类方法,对不同应用类型的P2P网络流量进行分类研究。实验结果表明,该方法具有较高的分类精确度。     

基于小波支持向量机的P2P网络流量识别算法

对等网络技术引起了广泛关注,其典型的应用有文件共享、即时通信等.为了更好地合理使用、规划P2P网络资源,建立P2P流量识别模型具有十分重要的理论意义和现实价值.提出了一种基于小波支持向量机相结合的P2P流量识别模型,将小波分析中多尺度的学习方法和SVM的优点结合起来,通过小波分析与SVM方法紧致结合,引入满足小波构架和Mercer定理的小波基函数来构造SVM的核函数,建立小波支持向量机的P2P识别算法.实验结果表明该算法能够有效地提高P2P网络流量识别的精度.     

回归型支持向量机的系统辨识及仿真

本文详细阐述支持向量机(SVM)和最小二乘SVM(LS—SVM)的基本原理基础上。提出基于SVM的线性、非线性系统辨识。通过仿真分析并比较SVM、LS—SVM辨识与神经网络辨识结果,得到SVM、LS—SVM方法比神经网络具有更高的系统辨识精度和更好的泛化能力;LS—SVM算法比SVM快速。抗噪声能力强,更适合于动态系统辨识。     

一种基于流量行为分析的P2P流媒体识别方法

P2P流媒体的识别问题已经成为P2P研究领域中的热点问题.以目前主流的P2P流媒体软件:PPLive、PPStream、QQLive为蓝本,进行流量行为特征分析,总结出相应的流量特征和特征字符串,提出一种基于流量行为分析的P2P流媒体识别方法.该方法的核心思想是:首先通过流量的统计算法将捕获到的流媒体数据包进行分类统计,再运用特征字匹配算法进行二次识别匹配,从而得出结果.随后.开发出基于流量行为分析的检测系统,试验结果证明该方法能够有效地识别P2P流媒体.