基于机器学习的P2P流量识别技术研究

论文摘要

P2P应用的出现和蓬勃发展使互联网流量组成发生显著变化,P2P流量已跃居成为互联网第一大流量,这给网络管理带来诸多问题,对流量监控提出更高要求。同时,为逃避检测,P2P应用正朝着端口动态化、负载加密化的方向迅速发展。传统的流量识别技术已经难以有效识别出P2P流量,而基于机器学习的P2P流量识别技术不依赖端口和负载信息,因此,成为近年来的研究热点。本文依托国家863课题“高可信网络业务管控系统”,针对基于机器学习的P2P流量识别和应用级分类方面存在的问题,提出了一种基于组合式特征选择算法和支持向量机（SVM）的P2P流量识别方法,以及一种基于改进的核模糊C均值聚类算法的P2P应用级分类方法。通过将上述两种方法有机结合,设计了一种P2P流量实时识别原型系统,并予以工程实现。主要内容如下:1)当前网络流量识别领域采用过滤型（filter）特征选择算法,识别准确率不够高,为此,提出一种组合式特征选择算法R-GA,该算法结合过滤型和封装型（wrapper）两种特征选择算法的优点,首先采用快速的ReliefF算法去除不相关特征,然后利用遗传算法（GA）结合具体的学习算法去除冗余特征,能够有效选择出最优的特征子集;基于该算法,以SVM为分类器,提出一种新的P2P流量识别方法R-GA-SVM,该方法在采用R-GA算法选择最优流特征子集的同时,通过R-GA优化SVM的模型参数,得到最佳的SVM分类模型。实验结果表明,该方法与不进行特征选择和采用filter型特征选择算法的SVM识别方法相比,能以更少的流特征获得更高的P2P识别性能。2)当前P2P流量的应用级分类研究还不成熟,对两大主流P2P应用（P2P文件共享与P2P多媒体传输）的流统计特性进行深入分析后,总结出二者在包长、包到达时间间隔和TCP标志位三个特征上的差异性,然后针对当前核模糊C均值聚类算法（KFCM）易陷入局部最优的缺陷,提出一种改进的算法I-PSO-KFCM。该算法利用KFCM分集聚类的结果初始化粒子群,得到逼近全局最优的聚类中心,再在全集上进行KFCM聚类,能快速收敛至全局最优解,提高聚类精度。基于该算法,实现了P2P流量的应用级分类,并通过实验验证了其有效性。3)采用早识别技术对上述两种方法进行实时性扩展,设计并实现了P2P流量实时识别原型系统,并对系统的性能进行分析和测试。测试结果表明,该系统运行稳定,根据所选的流特征,利用每条流前10个数据包,可达到85%以上的P2P实时识别和分类准确率,在识别性能和资源消耗上取得了较好的平衡,达到了高可信网络业务管控系统的研发需求。

论文目录

• 目录
• 表目录
• 图目录
• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 研究背景及意义
• 1.1.1 P2P 流量识别的提出
• 1.1.2 课题来源及意义
• 1.2 P2P 流量识别的研究现状
• 1.3 研究思路与主要工作
• 1.4 本文结构安排
• 第二章 基于机器学习的P2P 流量识别模型及算法分析
• 2.1 引言
• 2.2 问题抽象
• 2.2.1 相关定义
• 2.2.2 识别模型
• 2.3 识别性能衡量指标
• 2.4 识别算法分析
• 2.5 本章小结
• 第三章 基于组合式特征选择算法和支持向量机的P2P 流量识别方法
• 3.1 引言
• 3.2 流量识别领域特征选择算法分析
• 3.3 R-GA 算法设计
• 3.3.1 R-GA 算法流程
• 3.3.2 候选特征集合
• 3.3.3 最优特征子集
• 3.4 R-GA-SVM 识别方法
• 3.4.1 SVM 介绍
• 3.4.2 R-GA-SVM 流程
• 3.5 实验分析
• 3.5.1 实验数据集
• 3.5.2 实验结果分析
• 3.6 本章小结
• 第四章 基于改进核模糊C 均值聚类算法的P2P 应用级分类方法
• 4.1 引言
• 4.2 P2P 文件共享与多媒体传输的流统计特征分析
• 4.3 改进的核模糊C 均值聚类算法I-PSO-KFCM
• 4.3.1 FCM 介绍
• 4.3.2 KFCM 介绍
• 4.3.3 I-PSO-KFCM 算法设计
• 4.4 实验分析
• 4.4.1 实验数据集
• 4.4.2 实验结果分析
• 4.5 本章小结
• 第五章 P2P 流量实时识别原型系统设计与实现
• 5.1 引言
• 5.2 系统概述
• 5.3 系统主要模块设计与实现
• 5.3.1 流统计特征值实时计算模块
• 5.3.2 P2P/非P2P 二元流量识别模块
• 5.3.3 P2P 流量应用级分类模块
• 5.3.4 流识别结果存储模块
• 5.4 系统性能测试
• 5.4.1 测试环境
• 5.4.2 系统性能关键参数N 的确定
• 5.4.3 系统运行结果分析
• 5.5 本章小结
• 结束语
• 参考文献
• 作者简历 攻读硕士学位期间完成的主要工作
• 致谢