基于對等網(wǎng)絡（P2P）技術(shù)的應用占據(jù)了大量的網(wǎng)絡帶寬,加劇了網(wǎng)絡的負擔。對于P2P流量的識別,傳統(tǒng)的模式極大地依賴人工提取特征。這些人工的操作會導致巨大的誤差,因而很難限制這些高帶寬的P2P應用。更重要的是P2P僵尸網(wǎng)絡流量和正常的P2P流量存在特征重疊的部分,這使得單階段識別模式的識別準確率變低。本文利用深度學習技術(shù)對P2P流量的識別展開研究,設計并實現(xiàn)了能夠準確識別出正常的P2P流量和P2P僵尸網(wǎng)絡流量的改進模型,主要的研究成果如下:1.設計并實現(xiàn)了一種基于卷積神經(jīng)網(wǎng)絡的P2P流量識別模型。模型對多種P2P應用的負載數(shù)據(jù)進行處理,采用迭代提取復雜特征的方式來實現(xiàn),最終對比機器學習中基于支持向量機的模型有1%到3%識別率的提升,降低人工參與導致的誤差。2.設計并實現(xiàn)了能夠準確識別P2P僵尸網(wǎng)絡流量的改進方案。針對多種流量之間的特征重疊的問題,本文設計并實現(xiàn)了兩個階段結(jié)合的P2P僵尸網(wǎng)絡流量識別方案。文中通過構(gòu)建三種模型來粗粒度識別出P2P流量,然后采用特征提取結(jié)合分類算法的方式識別出P2P僵尸網(wǎng)絡流量,整個模型最終的識別準確率約為97%。3.設計并實現(xiàn)了一種能夠準確識別出P2P僵尸網(wǎng)... 

【文章來源】：北京郵電大學北京市 211工程院校 教育部直屬院校

【文章頁數(shù)】：77 頁

【學位級別】：碩士

【部分圖文】：

圖２－１感知器結(jié)構(gòu)１２９１??“”“”

Ａｈ＋ｂ＾－ｂ?（２－４）??感知器的結(jié)構(gòu)如圖２－１所示：??輸入??ｋ小??１??－？—ｙ??．＇－、、：?一?ｌ＼?Ｓｔｏｐ＾＾??＇ａ－，?＇２１／＼????乂??圖２－１感知器結(jié)構(gòu)１２９１??感知器能夠?qū)崿F(xiàn)“與”和“或”這樣的布爾函數(shù)，但是它不僅僅只是能夠??９??

?池化卩一—?ｔａｉｌ?—？??圖２－４卷積神經(jīng)網(wǎng)絡糢型［３３１??卷積神經(jīng)網(wǎng)絡的架構(gòu)模式為ＩＮＰＵＴ－＾［ＣＯＮＶ］＊Ｎ—ＰＯＯＬ？］＊Ｍ—［ＦＣ］＊Ｋ。??卷積神經(jīng)網(wǎng)絡中包含多個層次，主要有卷積層、子采樣層、全連接層。在卷積??１２??

【參考文獻】：
期刊論文
[1]基于卷積神經(jīng)網(wǎng)絡的圖像特征識別研究[J]. 楊念聰,任瓊,張成喆,周子煜,李倩,邱蘭.  信息與電腦(理論版). 2017(14)
[2]基于深度學習的實時DDoS攻擊檢測[J]. 李傳煌,孫正君,袁小雍,李曉林,龔梁,王偉明.  電信科學. 2017(07)
[3]基于DPI的流量識別系統(tǒng)的開發(fā)與設計[J]. 黃健文.  電子設計工程. 2017(11)
[4]基于端口識別的網(wǎng)絡流量分類模式的改進[J]. 王倪.  電腦知識與技術(shù). 2017(03)
[5]基于樹突細胞算法的P2P僵尸程序檢測[J]. 丁婷婷,王麗,王寶楠,方賢進.  安徽理工大學學報(自然科學版). 2017(02)
[6]P2P僵尸網(wǎng)絡研究[J]. 冉宏敏,柴勝,馮鐵,張家晨.  計算機應用研究. 2010(10)

碩士論文
[1]P2P僵尸網(wǎng)絡檢測技術(shù)研究[D]. 付偉智.北京郵電大學 2015



本文編號：3382769