基于SVM的P2P流量检测系统研究与实现的中期报告.docx

基于SVM的P2P流量检测系统研究与实现的中期报告 1. 研究背景和意义： 随着P2P网络技术的发展和普及以及互联网普及率的提高，P2P流量已经成为互联网数据传输的重要组成部分，P2P流量的快速增长带来了许多问题，如对网络带宽的占用、对接入设备的性能占用等。因此，对P2P流量进行监测和控制已成为网络管理者的重要任务。 目前，P2P流量的监测和控制方法主要有两种，一种是基于协议特征的检测方法，一种是基于机器学习的检测方法。基于协议特征的检测方法可以通过识别P2P协议特征实现P2P流量的监测和控制，但这种方法存在识别精度低，易受P2P加密技术的影响等缺点。而基于机器学习的检测方法可以通过训练分类器实现P2P流量的监测和控制，具有一定的优势。 本文将基于SVM算法实现P2P流量检测系统，旨在提高P2P流量监测和控制的效率和准确性，为网络管理者提供实用的工具。 2. 研究内容： （1）P2P流量特征分析：对P2P流量的特征进行分析，包括P2P协议、数据包结构、数据包大小等。 （2）数据集构建：采用Weka软件对第三方数据集进行筛选和处理，构建可用于SVM训练的数据集。 （3）SVM分类器训练：采用Weka软件对构建的数据集进行训练，建立可用于P2P流量检测的SVM模型。 （4）实验验证：采用自己构建的数据集对所建模型进行验证，分析模型的准确度和误判率，并对模型进行调优。 3. 预期成果： 通过对P2P流量特征的分析和基于SVM算法的流量分类器训练，建立高效、准确的P2P流量检测系统，具体包括： （1）实现对P2P流量的准确监测和控制，减小P2P流量对网络带宽和性能的影响。 （2）提高对P2P流量的识别准确度和误判率，为网络管理者提供更好的工具。 （3）建立可靠的数据集和分类模型，为开展后续P2P流量检测研究提供基础。 4. 研究进展： 已经对P2P流量特征进行分析，完成了数据集构建和SVM分类器训练。下一步将对建立的模型进行实验验证，并对模型进行调优。预计在三个月内完成本研究的所有任务，形成完整的研究报告。