基于遗传神经网络的P2P流量识别系统

  基于遗传神经网络的P2P流量识别系统

   孙瑜玲,林勤花

   (四川信息职业技术学院,四川广元628017)

   摘要:考虑到传统BP神经网络在进行P2P流量识别时,具有系统识别速度慢、精度低,神经网络自身容易陷入局部最小值等问题,使用遗传算法对BP神经网络进行优化。遗传算法具有较强的自适应性和鲁棒性,因此使用遗传算法对BP神经网络的权值和阈值进行优化处理,能够有效提高神经网络的性能。建立基于遗传神经网络的识别系统,采集处理大量样本数据,对识别系统进行训练和测试。研究结果表明,基于遗传神经网络的P2P流量识别系统具有识别精度高、识别速度快等优点,相比传统BP神经网络,其识别性能有明显提高。

   教育期刊网 http://www.jyqkw.com关键词:遗传算法;P2P;流量识别;BP神经网络

   中图分类号:TN711?34;TP393 文献标识码:A 文章编号:1004?373X(2015)17?0117?04

   随着计算机科学技术的不断发展与进步,P2P技术已经广泛应用于网络视频音频多媒体播放、网络文件共享以及数据传输等领域,P2P技术不断吸引了越来越多的网络用户、网络应用服务开发者以及提供商的目光,各种各样的基于P2P技术的网络应用和服务不断涌现,为人们在网络中提供了便利。然而,随着人们享受着P2P技术带来的各种便利的同时,P2P技术的各种负面效应也随之而来。目前P2P应用存在对网络流量消耗巨大,监管难度大,以及易于网络病毒传播,为网络带来安全隐患等问题。因此,对P2P流量的精确识别和监测成为了对P2P技术研究的重中之重[1?5]。

   1 P2P 流量识别技术

   1.1 典型P2P流量识别技术

   典型的P2P流量识别技术主要有:基于端口的识别技术、基于深层数据包的识别技术以及基于流量变化特征的识别技术。

   基于端口的识别技术是一种应用最早的识别技术,其主要根据早期P2P应用的固定端口进行识别,具有算法简便,易于实现等优点,但是对于现如今复杂的网络环境,此种技术已经不再适用[6?7]。

   基于深层数据包的识别技术往往因为存在识别滞后、隐私保护以及算法复杂等缺点而得不到广泛普及应用。

   基于流量变化特征的识别技术通过对P2P流量数据进行采集,通过处理数据得到数据流的统计特征,使用统计特征作为机器学习的训练样本,得到经过训练的识别系统。此识别技术具有算法简便、效率高等优点[8?9]。

   1.2 基于神经网络的P2P流量识别技术

   BP 神经网络是一种有督导的智能机器学习算法,已经在机械、计算机、通信等领域得到了广泛应用,其技术发展已经相对成熟。将BP神经网络用于对P2P流量的识别是一种可行有效的识别技术和手段。

   然而将BP神经网络算法用于P2P流量识别虽然克服了传统识别方法存在的诸多问题,但是由于算法自身特性也随之带来了新的问题。

   BP神经网络实际上是梯度下降算法的一种迭代学习方法。由于梯度下降算法要求具有较小的学习速度时才能进行稳定的学习,因此其收敛速度较慢。并且,由于BP神经网络在进行训练时,会在某点沿着误差斜面而渐进误差极值,不同的起点会得到不同的误差极值和不同的解。因此传统BP神经网络具有学习速度慢、抗干扰能力弱以及容易陷入局部最小值等缺点[10?11]。

   2 BP 神经网络和遗传神经网络

   2.1 BP神经网络

   BP神经网络结构如图1所示。通常由输入层、输出层和隐含层组成。

   4 结论

   本文对P2P 流量识别技术进行了深入研究。P2P技术在网络中已经得到了广泛应用,其流量在网络总流量中占有重要地位,因此对其流量进行实时监测识别具有重要意义。本文对P2P流量识别技术进行了分析,对使用比较广泛的BP神经网络模型进行了深入研究,并针对其缺点,使用遗传算法进行优化,建立基于遗传神经网络的P2P流量识别模型。通过实验采集大量网络训练样本和测试样本,对建立的识别系统进行测试。测试结果表明,基于遗传算法的神经网络的识别速度和识别精度要高于BP神经网络,具有较高的工程应用价值。

   教育期刊网 http://www.jyqkw.com参考文献

   [1] 谭红春,杨松涛,阚红星.校园网P2P 流量综合检测技术研究[J].长沙大学学报,2015(2):70?72.

   [2] 刘兴光.一种混合式BT流量实时检测方法[J].网络安全技术与应用,2014(3):53?55.

   [3] 汤伟.基于数据流特征向量识别的P2P 僵尸网络检测方法研究[D].青岛:中国海洋大学,2014.

   [4] 席鹏.基于距离判决算法的P2P流量识别模型研究[D].昆明:云南大学,2013.

   [5] 邓力为.基于遗传神经网络的P2P流量检测研究[D].成都:电子科技大学,2013.

   [6] 张龙璨.基于粒子群优化半监督学习的网络流量分类方法研究[D].武汉:华中科技大学,2013.

   [7] 张瀚.基于DPI技术的P2P流量检测系统设计[D].北京:北京邮电大学,2013.

   [8] 马容生.基于自适应神经网络的P2P流量检测研究[J].通信技术,2012(6):113?116.

   [9] 张瀚,朱洪亮,辛阳.基于DPI 技术的P2P 流量检测系统设计[J].信息网络安全,2012(10):36?40.

   [10] 张小敏.基于DPI的P2P流量识别方法研究[D].南京:南京邮电大学,2012.

   [11] 周雪莲.P2P流量应用层实时检测技术研究[D].长春:吉林大学,2012.

   [12] 贺毅朝,宋建民,张敬敏,等.利用遗传算法求解静态与动态背包问题的研究[J].计算机应用研究,2015(4):1011?1015.

   [13] 王晓瑜,原思聪,李曼.基于自适应蚁群遗传混合算法的PID参数优化[J].计算机应用研究,2015(5):1376?1378.

   [14] 刘奕君,赵强,郝文利.基于遗传算法优化BP 神经网络的瓦斯浓度预测研究[J].矿业安全与环保,2015,42(2):56?60.

   [15] 吴连平,杨晓翔.基于神经网络与遗传算法的关节轴承挤压模具优化[J].中国机械工程,2015,26(10):1351?1355.

   [16] 李麟青,杨哲,朱艳琴.一种混合式BitTorrent流量检测方法[J].计算机应用,2011,31(12):3210?3214.

   [17] 刘文超,陈琳,向华.P2P流量检测技术与分析[J].现代电子技术,2011,34(22):39?41.

   [18] 高富.基于行为统计特性的P2P 流量检测技术的研究[D].北京:北京邮电大学,2011.

本文由小梁论文发布于计算机论文,转载请注明出处:基于遗传神经网络的P2P流量识别系统

您可能还会对下面的文章感兴趣: