一种基于SVM的P2P网络流量分类方法

计算机工程与应用 ›› 2008, Vol. 44 ›› Issue (14): 122-126.

一种基于SVM的P2P网络流量分类方法

邓河¹,阳爱民^1,2,刘永定¹

1.湖南工业大学计算机与通信学院，湖南株洲 412008
2.国防科技大学计算机学院，长沙 410073

收稿日期:2007-08-27 修回日期:2007-10-25 出版日期:2008-05-11 发布日期:2008-05-11
通讯作者: 邓河

P2P traffic classification method based on SVM

DENG He¹,YANG Ai-min^1,2,LIU Yong-ding¹

1.School of Computer and Communication,Hunan Industry University,Zhuzhou,Hunan 412008,China
2.School of Computer,National University of Defense Technology,Changsha 410073,China

Received:2007-08-27 Revised:2007-10-25 Online:2008-05-11 Published:2008-05-11
Contact: DENG He

摘要/Abstract

摘要： 提出一种基于SVM的P2P网络流量分类的方法。这种方法利用网络流量的统计特征和基于统计理论的SVM方法，对不同应用类型的P2P网络流量进行分类研究。主要对文件共享中的BitTorrent，流媒体中的PPLive，网络电话中的Skype，即时通讯中的MSN 4种P2P网络流量进行分类研究。介绍了基于SVM的P2P流量分类的整体框架，描述了流量样本的获取及处理方法，并对分类器的构建及实验结果进行了介绍。实验结果验证了提出方法的有效性，平均分类精确率为92.38%。

关键词: 网络流量分类, 流量特征, SVM, P2P

Abstract: A method to realize the P2P network traffic classification based on the SVM is proposed.This method uses the network traffic statistical characteristic and SVM method based on the statistical theory to classify the different P2P traffic application.Mainly research focus on four kinds of network traffic classification,which are document sharing BitTorrent,media flows PPLive,network telephone Skype and immediate communication MSN.Introduce P2P traffic classification overall framework based on the SVM,describe how gain the traffic sample and the processing method,introduce the experimental result and construct the traffic classifier.The experimental results confirm the validity of proposed method,the average precise rate is 92.38%.

Key words: network traffic classification, traffic feature, Support Vector Machine(SVM), P2P

邓河¹,阳爱民^1,2,刘永定¹. 一种基于SVM的P2P网络流量分类方法[J]. 计算机工程与应用, 2008, 44(14): 122-126.

DENG He¹,YANG Ai-min^1,2,LIU Yong-ding¹. P2P traffic classification method based on SVM[J]. Computer Engineering and Applications, 2008, 44(14): 122-126.

[1]	韩卫宇，程龙生. 结合马田系统-SVM的滚动轴承故障模式分类研究[J]. 计算机工程与应用, 2021, 57(6): 239-246.
[2]	雷恒林，古兰拜尔·吐尔洪，买日旦·吾守尔，张东梅. 新奇检测综述[J]. 计算机工程与应用, 2021, 57(5): 47-55.
[3]	温杰彬，杨文忠，马国祥，张志豪，李海磊. 基于Apex帧光流和卷积自编码器的微表情识别[J]. 计算机工程与应用, 2021, 57(4): 127-133.
[4]	徐先峰，蔡路路，张丽. 融合MLP和DBN的光伏发电预测算法[J]. 计算机工程与应用, 2021, 57(3): 266-272.
[5]	陈富健，谢维信，夏婷. 基于LCT+的自适应抗遮挡目标跟踪算法[J]. 计算机工程与应用, 2021, 57(22): 190-198.
[6]	戴睿，嵩天. 自适应伪随机序列混合网络隐蔽通道构建方法[J]. 计算机工程与应用, 2021, 57(17): 122-129.
[7]	游运，万常选，江腾蛟. 考虑社会网络关系的P2P借贷项目违约风险预测[J]. 计算机工程与应用, 2021, 57(13): 239-245.
[8]	陈菲雨，岳文斌，饶颖露，邢金昊，马晓静. 基于改进TLD算法的无人机自主精准降落[J]. 计算机工程与应用, 2020, 56(7): 247-254.
[9]	马玲，罗晓曙，蒋品群. 基于模板匹配和支持向量机的点阵字符识别研究[J]. 计算机工程与应用, 2020, 56(4): 134-139.
[10]	张忠林，冯宜邦，赵中恺. 一种基于SVM的非均衡数据集过采样方法[J]. 计算机工程与应用, 2020, 56(23): 220-228.
[11]	黄广俊，邓元龙. 融合改进LBP和SVM的偏光片外观缺陷检测与分类[J]. 计算机工程与应用, 2020, 56(22): 251-255.
[12]	隋修武，牛佳宝，李昊天，乔明敏. 基于NMF-SVM模型的上肢sEMG手势识别方法[J]. 计算机工程与应用, 2020, 56(17): 161-166.
[13]	梁华刚，张志伟，王亚茹. 自适应Gabor卷积核编码网络的表情识别方法[J]. 计算机工程与应用, 2020, 56(10): 149-156.
[14]	晁静静，沈文忠，宋天舒. 基于HOG和SVM的双眼虹膜图像的人眼定位算法[J]. 计算机工程与应用, 2019, 55(9): 184-189.
[15]	甘玲1，杨梦2. 聚合支持向量机分类器的行人检测方法[J]. 计算机工程与应用, 2019, 55(7): 194-198.