P2P流量识别技术综述

在归纳P2P流量识别问题概念的基础上,对现有的P2P流量识别技术进行了较全面地分析。借助分类模型形式化地定义P2P流量识别问题,依据所采用的识别特征将已有技术分为基于端口号、基于流量特征、基于应用层签名、基于双重特征和基于统计行为特征五类方法,并对各类方法进行了介绍、分析与优劣对比。探讨了新兴的P2P流媒体流量识别问题,总结了P2P流量识别技术的发展趋势。

基于最优ABC-SVM算法的P2P流量识别

目前对等网络(peer-to-peer,P2P)流量的识别是网络管理研究的热门话题。基于支持向量机(support vector machine,SVM)的P2P流量识别方法是常用的P2P流量识别方法之一。然而SVM的性能主要受参数和其使用特征的影响,传统的方法是将SVM的参数优化和特征选择问题分开处理,但是难以获得整体性能最优的SVM分类器。针对以上问题进行了研究,提出了一种基于最优人工蜂群算法与支持向量机相结合的P2P流量识别方法。利用人工蜂群算法,将SVM的参数和特征选择问题视为最优化问题同步处理,可以获得整体性能最优的参数和特征子集。在真实的P2P数据上的实验结果表明,提出的方法具有很好的自适应性和分类精度,能够同时获取特征子集和SVM参数的最优解,提高SVM分类器的整体性能。

基于K均值和双支持向量机的P2P流量识别方法

针对目前常用于P2P流量识别的有监督机器学习方法普遍存在时间代价较高的现状,提出采用时间代价为标准支持向量机四分之一的双支持向量机来构建分类器,并采用K均值集成方法快速生成有标签样本集,组合有标签样本集构成双支持向量机的训练样本,最后利用构建好的双支持向量机分类模型进行P2P流量的识别。实验结果表明采用基于K均值集成结合双支持向量机的方法在P2P流量识别的时间代价、准确率和稳定性方面要远优于标准支持向量机。

利用半监督近邻传播聚类算法实现P2P流量识别

为了解决利用少量标记样本实现准确的P2P流量识别,提出了一种基于半监督近邻传播(AP)聚类算法的P2P流量识别方法.首先对少量样本进行标记,然后在聚类过程中为标记样本和非标记样本设置不同的参考度,使标记样本能够优先成为类代表点,进而通过样本间的消息加权更新完成聚类,最后按照相应的"标记-类别映射"规则实现对P2P流量的识别.研究了参考度与消息加权更新对识别性能的影响,实验结果显示:当标记样本的比例为5%时,对P2P流量的识别准确率高于90%,误识别率低于3%;当标记样本的比例达到15%后,识别准确率高于95%,最高可达98%,而误识别率则低于1%;识别性能随标记样本比例的提高而提高.

基于混沌粒子群算法和小波SVM的P2P流量识别方法

针对对等网络(Peer-to-Peer,P2P)流量具有的多尺度和突变性等问题,提出了基于小波核函数的支持向量机(Support Vector Machine,SVM)的P2P流量识别算法。进一步,对常用的SVM参数训练方法训练时间过长和易陷入局部极优值等缺陷进行分析,使用混沌粒子群算法对SVM参数进行优化以提高参数训练效率和识别准确率。最后利用真实的校园网网络流量数据对所提方法的有效性进行测试,结果表明,相对于使用传统核函数和参数训练方法的支持向量机P2P流量识别方法,所提方法具有更高的P2P流量识别正确率和计算效率。

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。

一个基于云计算的P2P流量识别系统模型的研究

首先分析了当前网络中P2P流量的占比情况和给网络带来的压力,指出了实际应用中网络流量识别技术存在的问题,给出了深度分组检测技术和流量特征识别技术的实现原理。在此基础上,提出了一种基于开源云计算平台Hadoop,采用MapReduce分布式并行计算架构,构建了将深度分组检测技术和流量特征识别技术相结合的P2P流量识别系统的设计模型。实验结果表明,本文提出的模型能够有效地识别P2P流量,并且在面对大流量时拥有比单机识别更快的识别速度。

基于过抽样技术的P2P流量识别方法

针对P2P类不平衡问题提出将复杂的多类不平衡问题转化为简单的两类不平衡问题,再通过迭代SMOTE过抽样技术丰富P2P的概念表达,从而提高P2P流量的识别率。实验结果表明,该方法可以显著提高诸如Na觙ve Bayes这样的简单模型在P2P上的识别率,由此可证明该方法对于改善P2P类不平衡问题的有效性。

一种基于混沌粒子群算法和支持向量机的P2P流量识别方法

对等网络技术P2P(Peer-to-Peer)在丰富了互联网应用的同时也带来了很多安全问题,因此,如何进行P2P流量的识别是网络管理研究的热点和难点问题。其中支持向量机在P2P识别问题中具有较好的效果,然而支持向量机的分类性能很大程度取决于核函数参数和惩罚参数。基于遗传算法、粒子群算法的支持向量机参数优化方法都存在易陷入局部最优解的问题,优化性能需要进一步改善。为进一步改善支持向量机参数优化问题,提出一种基于混沌粒子群的支持向量机参数优化方法,并将其应用于P2P流量识别问题。利用真实的校园网网络流量作为研究对象进行分类实验,结果表明,混沌粒子群优化的支持向量机具有更高的P2P分类正确率和计算效率。

基于集成学习的P2P流量识别模型

将DTNB、OneR和BP神经网络算法集成用于P2P流量识别,构建了基于该集成学习算法的P2P流量识别模型。利用网络流量特征和机器学习中生成规则的集成分类算法将网络流量分为P2P流量和非P2P流量。所建立的P2P流量识别模型分为网络流量特征的获取、P2P流量特征选取以及建立流量分类模型三个步骤。采用十折交叉验证与测试集相结合的方法CTFCVWTS(combining T-fold cross validation with testing set)评估模型的合理性和提出方法的有效性。实验得出流量分类准确率平均为97.27%。结果表明,该模型具有较高的P2P流量识别准确率。

基于支持向量数据描述的P2P流量识别

借鉴聚类思想引入基于支持向量数据描述(SVDD)的原理,建立P2P流量识别模型。该模型首先用主成分分析法(PCA)对训练集降维,然后用SVDD方法寻找包含大部分样本最小超球,保留各自支持向量样本点作为识别模型;然后计算测试样本距各球心距离,距离近者为其所属类别。该模型简单,适合P2P流量识别环境,克服了现有基于机器学习的流量识别方法在多类分类中模型复杂、数据不平衡等缺点。实验结果表明,该模型具有较高的分类精度和可靠性。

基于聚类和流量传播图的P2P流量识别方法

为有效监管网络,快速精确识别P2P流量,通过分析P2P网络流量中节点与节点、节点与链路之间的交互和行为特征,将聚类方法与流量传播图方法相结合,提出了一种基于网络行为特征的P2P流量识别方法。该方法首先通过采集网络流的包级和流级统计特征对不同种类的网络应用的流量进行聚类,然后利用流量传播图对P2P流量进行识别。实验结果表明,提出的方法在骨干网络数据上能够有效识别P2P网络应用流量,F 1-measure达到95%以上。

基于聚类分析的P2P流量识别

通过使用聚类分析的方法来进行P2P的流量识别.首先给出P2P流量的特征,接着定义聚类特征树,然后通过扫描从网络中截得的数据得到相应的初始聚类树,最后计算初始聚类的贝叶斯信息准则值得到最终聚类结果.该方法能有效利用存储空间,避免了存储所有数据对象.同时还能够根据数据特征自动得到聚类数目,减少人为因素的影响,与K均值算法相比较优.

云计算环境下的P2P流量识别

由于内存限制使得单机环境下的P2P流量识别方法只能对小规模数据集进行处理,并且基于朴素贝叶斯分类的识别方法所使用的属性特征均为人工选择,因此,识别率受到了限制并且缺乏客观性。基于以上问题分析提出了云计算环境下的朴素贝叶斯分类算法并改进了在云计算环境下属性约简算法,结合这两个算法实现了对加密P2P流量的细粒度识别。实验结果表明该方法可以高效处理大数据集网络流量,并且有很高的P2P流量识别率,同时结果也具备客观性。

基于BP神经网络聚类算法的P2P流量识别

在研究有监督机器学习算法中的BP神经网络算法和无监督的机器学习算法中的k-means聚类算法的基础上,提出一种半监督的BP神经网络聚类算法对P2P流量进行识别。该算法具有有监督和无监督的机器学习算法的优点,能快速地进行精确的流量识别,即取少量离线的流量样本进行标记与分类,然后利用分类结果为聚类中心对大量在线流量进行聚类识别。这样既提高了效率,又能保证结果的准确性。利用BP神经网络对所采集的少量流量数据中每个流按包大小标准差、变换频率、平均值、包数目和总字节数5个特征进行分类,得出分类结果的特征均值,对大量的在线数据进行指导聚类。多次实际网络测试结果的准确率很高,证明该算法模型是可行的。

基于信任抽样的P2P流量识别

提出了一种基于信任抽样的P2P流量识别策略.在整个抽样识别的过程中,抽样比依据历史周期的P2P流量比例的估计量自动调整并动态变化.实验结果表明,基于对数变化的信任策略,能够在不增加抽样误差比率的同时有效降低系统的时间复杂度和资源消耗.

基于多重特性的P2P流量识别方法

精确识别P2P流量对于有效管理网络和合理利用网络资源都具有重要意义。然而随着新型的P2P应用逐渐采用随机端口、应用层数据加密以及协议特征模糊化,给P2P流量检测带来困难,导致目前单一的流量检测方法识别率较低。为此,在研究现有检测算法的基础上,提出一种新的P2P流量检测算法,该新算法分多个模块,综合利用了端口识别、DPI识别以及传输层特性识别,能快速,有效地识别端口跳变、协议加密以及未知的P2P流量。实验结果表明,新算法比单一的流量检测方法具有更高的识别率。

基于传输层特征和统计特征的P2P流量识别

准确识别对等网络(P2P)流量对网络流量控制有着重要意义。针对P2P流量提出一种高准确度的识别方法。该方法通过统计报文首部ASCII码出现的频率,提取出一个256维的统计特征,结合数据流量的传输层特征,使用决策树算法对流量进行分类识别。在识别过程中提出数据分块的思想,提高了识别的正确率并且能够统计P2P流量流经的端口。仿真测试结果表明,该方法可以在多种流量混杂的情况下识别出P2P流量,且具有较高的准确度。

深度学习算法的P2P流量识别与控制

为了提升P2P流量的识别精度与控制效果,提出了深度学习算法的P2P流量识别与控制方法.采用P2P流量数据训练深度学习算法的BP神经网络,根据训练好的神经网络对训练样本进行预分类,得到包含各服务流量特征的预分类结果.将预分类结果作为P2P流量聚类中心值,通过聚类算法检测P2P流量样本数据,得到P2P流量识别结果.采用分形自回归综合滑动平均模型分析P2P流量控制机制.结果表明,该方法的识别性能稳定、识别结果精度较高,有效降低了流量传输的丢包率,可对P2P流量传输进行稳定控制.

基于统计特征的P2P流量实时识别方法

为有效监管网络,快速精确识别P2P流量,在分析P2P网络的本质特性基础上,提出P2P流量的3个流量特征,借助机器学习方法实现对P2P流量和非P2P流量的实时分类。实验结果表明,这3个特征都具备良好的区分性,综合使用3个特征时,能在5s的时间窗口内实现对P2P流量的实时识别,识别准确率达到98.79%,误报率为0.36%。