基于支持向量機(jī)的P2P流量管理模型設(shè)計(jì)

杜經(jīng)緯

(運(yùn)城學(xué)院計(jì)算機(jī)科學(xué)與技術(shù)系，山西 運(yùn)城 044000)

?

基于支持向量機(jī)的P2P流量管理模型設(shè)計(jì)

杜經(jīng)緯

(運(yùn)城學(xué)院計(jì)算機(jī)科學(xué)與技術(shù)系，山西 運(yùn)城 044000)

對(duì)P2P的網(wǎng)絡(luò)流量進(jìn)行識(shí)別是P2P研究領(lǐng)域中的一個(gè)重大難題，為了實(shí)現(xiàn)對(duì)其管理，提出了一種基于支持向量機(jī)(SVM)的P2P流量分類管理模型.首先獲取P2P網(wǎng)絡(luò)流量數(shù)據(jù)，然后將獲取的樣本數(shù)據(jù)輸入SVM并對(duì)SVM進(jìn)行訓(xùn)練，最后將測(cè)試樣本數(shù)據(jù)輸入SVM進(jìn)行P2P流量分類管理.仿真實(shí)驗(yàn)證明了該方法具有較高的檢測(cè)率和較低的漏報(bào)率.

支持向量機(jī)；流量；P2P；訓(xùn)練

隨著互聯(lián)網(wǎng)的進(jìn)一步普及，點(diǎn)對(duì)點(diǎn)的網(wǎng)絡(luò)(peer-to-peer,P2P)[1-3]作為一種全新的互聯(lián)網(wǎng)技術(shù)目前已經(jīng)得到飛速發(fā)展，Ipoque在2008—2009年的P2P研究報(bào)告中指出，P2P的業(yè)務(wù)流量目前在互聯(lián)網(wǎng)的業(yè)務(wù)應(yīng)用中占據(jù)了主要成分，達(dá)到總量的69.95%.[4]不過(guò)，P2P的應(yīng)用雖方便了人們的日常生活，卻也同時(shí)造成了巨大的帶寬消費(fèi)和網(wǎng)絡(luò)擁塞，降低了網(wǎng)絡(luò)的性能和服務(wù)質(zhì)量.[5]因此，對(duì)P2P的網(wǎng)絡(luò)流量進(jìn)行識(shí)別成為網(wǎng)絡(luò)流量識(shí)別中的一個(gè)重大難題[2].

薛凱等[6]提出一種基于小波變換和ESN的P2P流量預(yù)測(cè)模型，將原始的P2P流量分解為不同尺度的高低頻分量，對(duì)根據(jù)不同分量特征匹配不同參數(shù)的ESN模型分別進(jìn)行預(yù)測(cè)，并將多路預(yù)測(cè)的結(jié)果整合進(jìn)行輸出.支持向量機(jī)(Support Vector Machine,SVM)是一個(gè)淺層的二分類器，能用于解決P2P流量問(wèn)題.郭偉等[7]提出用時(shí)間代價(jià)作為標(biāo)準(zhǔn)的雙SVM構(gòu)造分類器，采用K均值聚類算法來(lái)快速生成具有標(biāo)簽的樣本集，將有標(biāo)簽的樣本集作為SVM的訓(xùn)練樣本，通過(guò)構(gòu)造的雙SVM分類方法快速進(jìn)行P2P流量識(shí)別.劉三民等[8]提出了一種基于K均值聚類算法和SVM的P2P流量識(shí)別方法，將標(biāo)簽樣本作為數(shù)據(jù)集，采用K均值算法訓(xùn)練聚類器，根據(jù)最大后驗(yàn)概率分配簇標(biāo)簽，用投票機(jī)制集成無(wú)標(biāo)簽樣本標(biāo)簽信息，并結(jié)合原始標(biāo)簽樣本來(lái)訓(xùn)練SVM.這些研究主要涉及網(wǎng)絡(luò)安全預(yù)測(cè)和防御的相關(guān)工作，往往僅根據(jù)網(wǎng)絡(luò)的物理特性或通信雙方的具體內(nèi)容來(lái)進(jìn)行安全預(yù)測(cè)，沒(méi)有考慮語(yǔ)義信息，不能準(zhǔn)確地對(duì)網(wǎng)絡(luò)的安全事件進(jìn)行高效預(yù)測(cè).為克服以上方法的不足，筆者設(shè)計(jì)了一種基于SVM的網(wǎng)絡(luò)安全事件預(yù)測(cè)方法.

1 基于SVM的P2P流量分類管理模型設(shè)計(jì)

基于SVM的P2P流量分類管理模型如圖1所示.從圖1可以看出，基于SVM的P2P流量分類管理模型的過(guò)程為：(1)用網(wǎng)絡(luò)信息提取模塊提取網(wǎng)絡(luò)數(shù)據(jù)流中的信息；(2)首先，將網(wǎng)絡(luò)數(shù)據(jù)信息轉(zhuǎn)換為網(wǎng)絡(luò)連接記錄，并經(jīng)過(guò)數(shù)據(jù)預(yù)處理模塊對(duì)這些信息進(jìn)行處理，從而得到網(wǎng)絡(luò)P2P流數(shù)據(jù)；然后，用網(wǎng)絡(luò)P2P流數(shù)據(jù)作為樣本數(shù)據(jù)訓(xùn)練SVM；最后，將分類結(jié)果作為流量管理的分類結(jié)果.

圖1 基于SVM的P2P流量管理模型

2 模型實(shí)現(xiàn)

2.1 最小二乘支持向量機(jī)

最小二乘支持向量機(jī)(Least Squares Support Vector Machine,LSSVM)由最小二乘方法和 SVM相結(jié)合而形成，即建立一個(gè)類別之間的超平面，并以最大化類別到超平面的距離為目標(biāo)來(lái)訓(xùn)練分類器.

2.2 基于SVM的流量分類

在獲得P2P的網(wǎng)絡(luò)流量數(shù)據(jù)后，將其作為樣本數(shù)據(jù)，并輸入SVM進(jìn)行訓(xùn)練，得到目標(biāo)方程的參數(shù)值，此時(shí)將測(cè)試的樣本輸入到訓(xùn)練好的SVM就能獲得樣本的分類.由于一個(gè)SVM僅能進(jìn)行2類樣本的分類，因此對(duì)具有n種類別的樣本，需要構(gòu)造n(n-1)/2個(gè)SVM.

假設(shè)樣本數(shù)據(jù)為{xi,yi}(1≤i≤n)，n表示樣本總數(shù)，xi∈Rd是維數(shù)為d的輸入向量，yi∈R是對(duì)應(yīng)的輸出，yi的值為+1或-1.超平面的形式為wTφ(x)+b=0，使得

(1)

其中：φ(x)表示低維映射到高維空間的非線性變換；w為超平面的法向量；b為偏差.這2類的分類間隔為2/‖w‖，故要使分類間隔最大，就要求‖w‖最小或‖w‖2/2最小，因此滿足(1)式并且與超平面最近的向量為支持向量.

現(xiàn)在，2分類的優(yōu)化問(wèn)題可以表示為

yi(wTφ(x)+b)-1≥0 i=1,2,…,n.

(2)

要使‖w‖最小或‖w‖2/2最小，就要求最小化‖wTw‖，即目標(biāo)函數(shù)f可以表示為

(3)

將(3)式中c和ξi分別表示懲罰因子和松弛變量，通過(guò)拉格朗日乘子法進(jìn)行求解.假設(shè)拉格朗日乘子為λi，(2) 式對(duì)應(yīng)的優(yōu)化問(wèn)題可以表示為

(4)

LSSVM對(duì)函數(shù)的估計(jì)可以表示為

f(x)=sign(λiyiK(xi,xj)+b),

(5)

其中K(xi,xj)=φ(xi)φ(xj)為核函數(shù)，sign為基本符號(hào)函數(shù).

2.3 核函數(shù)的選擇

3 仿真實(shí)驗(yàn)

將選取的100 000條數(shù)據(jù)記錄作為實(shí)驗(yàn)數(shù)據(jù)集，對(duì)基于SVM的網(wǎng)絡(luò)安全事件預(yù)測(cè)方法進(jìn)行驗(yàn)證.測(cè)試數(shù)據(jù)集一共分為4組.數(shù)據(jù)集包含訓(xùn)練樣本數(shù)據(jù)集和測(cè)試樣本數(shù)據(jù)集，訓(xùn)練樣本和測(cè)試樣本如表1所示.

表1 訓(xùn)練樣本和測(cè)試樣本

將表1所示的樣本數(shù)據(jù)輸入到SVM模型進(jìn)行訓(xùn)練，得到訓(xùn)練好的SVM模型，然后將測(cè)試樣本數(shù)據(jù)輸入到此SVM模型中，進(jìn)行分類，最后用檢測(cè)精度、誤報(bào)率、漏報(bào)率來(lái)描述檢測(cè)性能.檢測(cè)精度為分類正確的樣本數(shù)與總樣本數(shù)的比值，誤報(bào)率表示非P2P樣本被認(rèn)為是P2P的樣本數(shù)與非P2P樣本總數(shù)的比值，漏報(bào)率為P2P樣本錯(cuò)認(rèn)為是非P2P的樣本數(shù)與P2P樣本總數(shù)的比值，實(shí)驗(yàn)結(jié)果如表2所示.從表2可以看出，基于SVM的網(wǎng)絡(luò)安全事件預(yù)測(cè)方法具有較低的誤報(bào)率和較高的檢測(cè)精度，是一種合適的P2P流量管理模型.

表2 實(shí)驗(yàn)結(jié)果

4 結(jié)語(yǔ)

設(shè)計(jì)了一種基于SVM的P2P流量管理模型，將P2P網(wǎng)絡(luò)流數(shù)據(jù)作為樣本數(shù)據(jù)對(duì)SVM模型進(jìn)行訓(xùn)練，實(shí)現(xiàn)對(duì)P2P的流量管理，并通過(guò)仿真實(shí)驗(yàn)證明了基于SVM的網(wǎng)絡(luò)安全事件預(yù)測(cè)方法的有效性.由于SVM的性能在很大程度上取決于核函數(shù)的選擇和參數(shù)的設(shè)置，因此，下一步的工作就是用自適應(yīng)的方法選擇核函數(shù)和核函數(shù)參數(shù)，以進(jìn)一步提高P2P的流量管理性能.

[1] CHEN Zhenxiang,YANG Bo,CHEN Yuehui,et al.Online Hybrid Traffic Classifier for Peer-to-Peer Systems Based on Network Processor[J].Applied Soft Computing,2009,9(2):685-694.

[2] 袁雪美，王 暉，張 鑫，等.P2P流量識(shí)別技術(shù)綜述[J].計(jì)算機(jī)應(yīng)用,2009,29(S2):11-15.

[3] SILVIO VALENTI,DARIO ROSSI,MICHELA MEO,et al.Accurate,Fine-Grained Classification of P2P-TV Applications by Simply Counting Packets[C]∥Proceedings of the First International Workshop on Traffic Monitoring and Analysis.Berlin:Springer-Verlag,2009:84-92.

[4] WEI Yongtao,WANG Jinkuan,WANG Cuirong.Network Traffic Prediction Based on Wavelet Transform and Season ARIMA Model[J].Lecture Notes in Computer Science,2011,6 677:152-159.

[5] 徐周李,姜志宏,莫松海,等.基于應(yīng)用層簽名的P2P流媒體流量識(shí)別[J].計(jì)算機(jī)應(yīng)用研究,2009,26(6):2 214-2 216.

[6] 薛 凱,周亞建,平 源,等.基于小波變換和ESN的P2P流量預(yù)測(cè)模型[J].計(jì)算機(jī)工程與設(shè)計(jì),2013，34(4):1 147-1 152.

[7] 郭 偉,王西闖,肖振久.基于K均值和雙支持向量機(jī)的P2P流量識(shí)別方法[J].計(jì)算機(jī)應(yīng)用,2013,33(10):2 734-2 738.

[8] 劉三民,孫知信,劉余霞.基于K均值集成和SVM的P2P流量識(shí)別研究[J].計(jì)算機(jī)科學(xué),2012,39(4):46-48.

(責(zé)任編輯 向陽(yáng)潔)

Design of P2P Traffic Management Model Based on SVM

DU Jingwei

(Department of Computer Science and Technology,Yuncheng University,Yuncheng 044000,Shanxi China)

Network traffic recognition of P2P is one of the significant problems in P2P research.A classification management model based on SVM for P2P is thus proposed for its management.Firstly,the data is obtained from P2P network traffic;then the obtained sample data is input to the SVM for training；finally,the test sample is input to the SVM to realize its classification.The simulation experiment shows the method in this paper has the high detection rate and low false negative rate.

support vector machine;traffic;P2P;training

1007-2985(2015)04-0026-04

杜經(jīng)緯(1979—)，男，山西芮城人，運(yùn)城學(xué)院計(jì)算機(jī)科學(xué)與技術(shù)系講師，碩士，主要從事計(jì)算機(jī)網(wǎng)絡(luò)與信息安全研究.

TP393

A

10.3969/j.issn.1007-2985.2015.04.007