[发明专利]基于支持向量机的对等网络流量检测方法

摘要

基于支持向量机的对等网络流量检测制方法提出了基于支持向量机的P2P流量检测方法，利用支持向量机技术来实现P2P流量检测问题，该方法将支持向量机技术应用到实际网络中的P2P流量检测应用中，解决P2P流量的检测问题，该方法所包含的步骤为两个阶段：第1阶段，支持向量机的训练阶段：第2阶段，支持向量机的实际P2P流量决策阶段：将机器学习领域的精度很高的模式分类器支持向量机技术应用于网络中的P2P流量检测中，解决P2P流量的检测问题。较之其他的流量检测方法，该方法注重通过网络实际流量的挖掘发现规律，预测新未知数据的分类，该方法能够通过学习不断提高分类性能，适合完成流量较大时的识别工作，也能适合检测未知的和加密的P2P流量。

主权项

1.一种基于支持向量机的对等网络流量检测制方法，其特征在于该方法将支持向量机技术应用到实际网络中的P2P流量检测应用中，解决P2P流量的检测问题，该方法所包含的步骤为两个阶段：第1阶段，支持向量机的训练阶段：a.从网络上截取网络数据包，统计P2P流量和正常网络流量的样本数目，得到两类样本集Ξ1，Ξ2，样本数目分别是N1，N2，其中Ξ1表示P2P流量样本集，Ξ2表示正常流量样本集，N1表示P2P流量样本数目，N2表示正常流量样本数目。b.对这些已知的正常流量数据集、P2P流量数据集进行特征处理，将之转化为数字向量形式，作为训练支持向量机的依据并存入数据库，c.针对样本数据中P2P流量和非P2P流量数目不均衡情况下的支持向量机训练：c1：对P2P流量，从Ξ1中按照等概率的方法取得P2P流量数据样本集Ξ3，样本数目为N1′，满足N1′＝N2；c2：根据网格搜索的参数搜索方法，确定支持向量机的参数C和γ，其中C为对样本的惩罚系数，r为核函数参数。对样本集{Ξ3，Ξ2}进行支持向量机设计，获取参数W，ξi的值，其中W为最优超平面的法向量，ξi为松弛因子，i＝1……n；c3：根据公式$\frac{1}{2}(W·W)=\underset{i=1}{\overset{n}{\Sigma }}{C}_i{\xi }_i和C1/C2＝N2/N1计算此时的样本惩罚因子C1、C2，其中$ C_i=\left\{\begin{array}{cc}{C}_1& X_i\in {\Xi }_1\\ C_2& X_i\in {\Xi }_2\end{array}\right.,C1表示对P2P流量样本的惩罚因子，C2表示对正常流量样本的惩罚因子。c4：根据新的C1、C2，对样本集\{\Xi 1，\Xi 2\}进行支持向量机设计，获取此时参数W，\xi i的值，其中W为最优超平面的法向量，\xi i为松弛因子，i＝1\dots \dots n；c5：根据公式$ \frac{1}{2}(W·W)=\underset{i=1}{\overset{n}{\Sigma }}{C}_i{\xi }_i和C1/C2＝N2/N1重新计算新的C1、C2，判断C1、C2的变化情况，如果变化小于所设定的阈值，即满足收敛条件$ \frac{{(C_{11}-C_{10})}^2+{(C_{21}-C_{20})}^2}{C_{11}^2+C_{21}^2}<\delta ,其中\delta 为一百分比常数；Ci1，Ci0(i＝1，2)分别表示当前时刻与前一时刻的Ci值；则获得最终基于两类流量检测的SVM模型，得到最终分类决策函数，否则返回步骤c4，第2阶段，支持向量机的实际P2P流量决策阶段：d.从网络上截取网络数据包，e.对获取流量数据进行特征处理，将之转化为数字向量形式，作为训练支持向量机的依据并存入数据库，f.根据SVM训练模型即最终分类决策函数得出分类结果并存入数据库，即如果最终分类决策函数f(x)大于0，表示属于该连接属于P2P流量，否则属于正常网络流量；g.根据数据库中保存的决策结果，结合网络实际运行情况，进行P2P流量流量分析并作出相应控制。$$$$