基于人工蜂群算法和小波SVM的P2P流量识别方法研究

发布时间：2017-09-28 01:06

  本文关键词：基于人工蜂群算法和小波SVM的P2P流量识别方法研究

  更多相关文章： P2P流量识别 人工蜂群算法 特征选择 小波支持向量机

【摘要】：近年来,随着对等网络(Peer-to-Peer network,P2P)技术在互联网中广泛应用,其占据的网络流量比重越来越大。然而在丰富了网络应用的同时,也带来了带宽的占用率过大、网络安全等问题。因此,对P2P流量进行管理和控制具有重要的意义,其中P2P流量的识别是进行网络流量控制中亟待解决的首要问题。P2P流量识别本质上是一个二类分类问题,而且流量特征的选择和所使用的分类方法都对识别的精确度有着很大的影响,上述问题一定程度上可以转换为最优化问题加以解决。因此本文主要研究了人工蜂群算法在P2P流量识别工作中的优化应用,其中主要工作有以下几点。(1)基于蜂群优化算法的P2P流量特征选择。利用单一特征对P2P流量进行识别时,其识别率通常比较低,因此必须利用多特征来提高P2P流量识别。但是过多的特征会发生“维数灾难”等不利情况,这样不仅不能够提高流量的识别效率,而且采集过多的流量特征会增加工作量,流量识别的实时性难以实现。因此,文章中提出人工蜂群算法进行特征选择,在整体特征集中,它可以把具有最好分类性能的特征子集选择出,这样可以使算法的识别准确度和计算效率得到提高。(2)基于小波和蜂群优化算法的P2P流量识别方法。支持向量机(简称SVM)的分类性能虽然比较好,但是使用传统核的SVM分类样本数据时,仅限于单个尺度,小波函数具有良好的多尺度学习性能,因此引入小波函数来构造支持向量机的核函数进而对P2P流量进行识别。同时SVM的分类准确率跟其惩罚参数和核函数以及核函数参数的选取有着很大的关系,因此选择合适的参数优化方法是非常重要的,常用的参优化方法如遗传算法、粒子群算法等容易出现局部最优。故本文采用人工蜂群优化算法对支持向量机参数进行优化。利用UCI数据库和真实校园P2P数据对本文所提出的特征选择和SVM参数优化方法的有效性进行测试,并将其实验结果与遗传算法,粒子群算法等进行了比较分析,最后利用结合了小波核函数的SVM流量识别方法对P2P流量进行识别,最终的实验结果表明,基于人工蜂群算法和小波SVM的方法具有很好的P2P流量识别效果。
【关键词】：P2P流量识别 人工蜂群算法 特征选择 小波支持向量机
【学位授予单位】：湖北工业大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：TP393.06;TP18
【目录】：

• 摘要5-6
• Abstract6-10
• 第1章 引言10-19
• 1.1 研究背景和意义10-13
• 1.2 国内外研究现状13-17
• 1.3 研究内容17
• 1.4 内容安排17-19
• 第2章 基本理论基础概述19-27
• 2.1 支持向量机19-22
• 2.1.1 支持向量机概述19-20
• 2.1.2 支持向量机的基本原理20-22
• 2.2 遗传算法22-23
• 2.3 粒子群算法23-24
• 2.4 人工蜂群算法24-26
• 2.5 本章小结26-27
• 第3章 基于人工蜂群算法的P2P流量特征选择方法27-43
• 3.1 P2P流量特征选择27-30
• 3.1.1 P2P流量特征27-28
• 3.1.2 特征选择28-30
• 3.2 P2P流量特征选择方法30-36
• 3.2.1 基于GA的P2P流量特征选择方法30-32
• 3.2.2 基于PSO的P2P流量特征选择方法32-34
• 3.2.3 基于ABC的P2P流量特征选择方法34-36
• 3.3 实验结果与分析36-41
• 3.4 本章小结41-43
• 第4章 基于ABC和小波SVM的P2P流量识别43-65
• 4.1 小波分析理论基础43-45
• 4.1.1 小波的多尺度分析43-45
• 4.2 小波支持向量机模型45-50
• 4.2.1 小波核函数45-47
• 4.2.2 SVM参数的优化47-49
• 4.2.3 小波SVM的P2P流量识别方法49-50
• 4.3 SVM参数优化及P2P流量识别50-55
• 4.3.1 基于GA的SVM参数优化方法50-52
• 4.3.2 基于PSO的SVM参数优化方法52-54
• 4.3.3 基于ABC的SVM参数优化方法54-55
• 4.4 仿真结果分析55-64
• 4.4.1 实验环境55
• 4.4.2 实验的方法55-56
• 4.4.3 实验的评价标准56
• 4.4.4 实验数据的分析与结果验证56-64
• 4.5 本章小结64-65
• 第5章 总结与展望65-67
• 5.1 总结65-66
• 5.2 展望66-67
• 参考文献67-70
• 致谢70-71
• 附录71

【相似文献】

中国期刊全文数据库 前10条

1 吴震;刘兴彬;童晓民;;基于信息熵的流量识别方法[J];计算机工程;2009年20期

2 张秀英;王铮;;一种基于流量识别技术的网络信息审计模型[J];微处理机;2010年01期

3 时鸿涛;盖凌云;郭忠文;;一种基于小波谱的流量识别方法[J];计算机工程;2012年12期

4 张剑;钱宗珏;寿国础;胡怡红;;在线聚类的网络流量识别[J];北京邮电大学学报;2011年01期

5 毕夏安;张大方;赵姣姣;;一种高效的游戏流量识别与分类技术[J];计算机工程与应用;2011年23期

6 张剑;曹萍;寿国础;;网络汇聚点传输层拓扑的流量识别[J];计算机应用;2012年07期

7 关卿;秦宏伟;张文超;;基于流亲戚关系分组的流量识别算法[J];计算机与网络;2013年02期

8 王宇科;黎文伟;苏欣;;基于改进分簇算法的网络流量识别方法[J];计算机工程与科学;2011年11期

9 禹可;张馨予;狄佳玺;吴晓非;苏驷希;;互联网流量识别中的基于标签传播的重叠社团发现算法(英文)[J];中国通信;2012年12期

10 杜瑞颖;杨勇;陈晶;王持恒;;一种基于相似度的高效网络流量识别方案[J];山东大学学报(理学版);2014年09期

中国重要会议论文全文数据库 前7条

1 马永立;寿国础;胡怡红;钱宗珏;区海平;;新型网络流量识别分析系统及其性能评估[A];第六届全国信息获取与处理学术会议论文集（2）[C];2008年

2 张娜娜;;P2P流量识别方法研究[A];江苏省电子学会2010年学术年会论文集[C];2010年

3 高长喜;辛阳;钮心忻;杨义先;;基于行为特征分析的P2P流量识别技术的研究[A];第一届中国高校通信类院系学术研讨会论文集[C];2007年

4 许刘兵;;基于人工神经网络的P2P流量识别模型的研究[A];中国电子学会第十五届信息论学术年会暨第一届全国网络编码学术年会论文集（上册）[C];2008年

5 贾波;邹园萍;;基于无监督学习的P2P流量识别[A];浙江省信号处理学会2011学术年会论文集[C];2011年

6 王波;周晓光;苏志远;;基于节点状态的P2P流量识别系统[A];中国电子学会第十五届信息论学术年会暨第一届全国网络编码学术年会论文集（下册）[C];2008年

7 王波;周晓光;苏志远;;基于节点状态的P2P流量识别系统[A];2008通信理论与技术新发展——第十三届全国青年通信学术会议论文集（下）[C];2008年

中国博士学位论文全文数据库 前6条

1 林冠洲;网络流量识别关键技术研究[D];北京邮电大学;2011年

2 田旭;互联网流量识别技术研究[D];北京邮电大学;2012年

3 彭建芬;P2P流量识别关键技术研究[D];北京邮电大学;2011年

4 张剑;宽带接入网流量识别关键技术研究[D];北京邮电大学;2011年

5 李冰;VoIP和P2P IPTV流量的识别与测量研究[D];天津大学;2010年

6 郭振滨;互联网测量与建模研究[D];北京交通大学;2012年

中国硕士学位论文全文数据库 前10条

1 孙海霞;基于关联规则的流量识别方法研究[D];合肥工业大学;2009年

2 练琪;基于聚类分析的应用层流量识别研究[D];湖南大学;2010年

3 左建勋;网络流量识别技术研究及其应用[D];重庆大学;2007年

4 朱欣;基于数据流挖掘技术的流量识别[D];苏州大学;2011年

5 张波;基于流特征的加密流量识别技术研究[D];哈尔滨工业大学;2012年

6 马保雷;基于概念漂移检测的自适应流量识别研究[D];哈尔滨工业大学;2013年

7 崔月婷;基于分类算法与聚类算法流量识别系统的研究[D];北京邮电大学;2010年

8 郭明亮;高速网络中实时流量识别系统的研究与设计[D];北京邮电大学;2010年

9 王程;网络流量识别分析系统的设计与实现[D];吉林大学;2014年

10 龚超;基于多重识别技术的路由器流量识别系统研究与实现[D];上海交通大学;2011年

，

本文编号：932919