基于卷积神经网络的P2P流量识别研究

发布时间：2021-09-04 06:40

　　基于对等网络（P2P）技术的应用占据了大量的网络带宽,加剧了网络的负担。对于P2P流量的识别,传统的模式极大地依赖人工提取特征。这些人工的操作会导致巨大的误差,因而很难限制这些高带宽的P2P应用。更重要的是P2P僵尸网络流量和正常的P2P流量存在特征重叠的部分,这使得单阶段识别模式的识别准确率变低。本文利用深度学习技术对P2P流量的识别展开研究,设计并实现了能够准确识别出正常的P2P流量和P2P僵尸网络流量的改进模型,主要的研究成果如下:1.设计并实现了一种基于卷积神经网络的P2P流量识别模型。模型对多种P2P应用的负载数据进行处理,采用迭代提取复杂特征的方式来实现,最终对比机器学习中基于支持向量机的模型有1%到3%识别率的提升,降低人工参与导致的误差。2.设计并实现了能够准确识别P2P僵尸网络流量的改进方案。针对多种流量之间的特征重叠的问题,本文设计并实现了两个阶段结合的P2P僵尸网络流量识别方案。文中通过构建三种模型来粗粒度识别出P2P流量,然后采用特征提取结合分类算法的方式识别出P2P僵尸网络流量,整个模型最终的识别准确率约为97%。3.设计并实现了一种能够准确识别出P2P僵尸网... 

【文章来源】：北京邮电大学北京市 211工程院校 教育部直属院校

【文章页数】：77 页

【学位级别】：硕士

【部分图文】：

图２－１感知器结构１２９１??“”“”

Ａｈ＋ｂ＾－ｂ?（２－４）??感知器的结构如图２－１所示：??输入??ｋ小??１??－？—ｙ??．＇－、、：?一?ｌ＼?Ｓｔｏｐ＾＾??＇ａ－，?＇２１／＼????乂??图２－１感知器结构１２９１??感知器能够实现“与”和“或”这样的布尔函数，但是它不仅仅只是能够??９??

?池化卩一—?ｔａｉｌ?—？??图２－４卷积神经网络糢型［３３１??卷积神经网络的架构模式为ＩＮＰＵＴ－＾［ＣＯＮＶ］＊Ｎ—ＰＯＯＬ？］＊Ｍ—［ＦＣ］＊Ｋ。??卷积神经网络中包含多个层次，主要有卷积层、子采样层、全连接层。在卷积??１２??

【参考文献】：
期刊论文
[1]基于卷积神经网络的图像特征识别研究[J]. 杨念聪,任琼,张成喆,周子煜,李倩,邱兰.  信息与电脑(理论版). 2017(14)
[2]基于深度学习的实时DDoS攻击检测[J]. 李传煌,孙正君,袁小雍,李晓林,龚梁,王伟明.  电信科学. 2017(07)
[3]基于DPI的流量识别系统的开发与设计[J]. 黄健文.  电子设计工程. 2017(11)
[4]基于端口识别的网络流量分类模式的改进[J]. 王倪.  电脑知识与技术. 2017(03)
[5]基于树突细胞算法的P2P僵尸程序检测[J]. 丁婷婷,王丽,王宝楠,方贤进.  安徽理工大学学报(自然科学版). 2017(02)
[6]P2P僵尸网络研究[J]. 冉宏敏,柴胜,冯铁,张家晨.  计算机应用研究. 2010(10)

硕士论文
[1]P2P僵尸网络检测技术研究[D]. 付伟智.北京邮电大学 2015



本文编号：3382769