近年来,P2P技术在网络中得到广泛应用,在满足用户需求同时,也造成了互联网带宽的巨大消耗,导致互联网拥堵,严重影响网络其他业务的服务质量。因此,P2P流量识别技术以及缓存技术研究,对解决网络拥塞,提高用户体验具有重要意义。由于动态端口、内容加密等技术使得高效地识别P2P流量变得困难；一些用户感兴趣的“热点”对象存在于P2P系统中,并随时间变化,这使得高效地缓存与预测网络中的“热点”对象变得更困难。为了解决上述问题,论文对P2P流量识别和缓存技术进行研究。　　 论文的重点在于P2P流量识别方法的研究,对于P2P缓存仅在于对P2P缓存模型的构建。论文的主要研究工作和贡献如下:　　 (1)基于结点流量相似性行为的P2P识别方法,通过计算P2P流和非P2P流的相似性,对P2P流与非P2P流进行分类。该方法分析在流量特征基础上,提出流量相似性的三个特征实现了对网络P2P流的分类。　　 (2)基于结点连接度的P2P流量快速识别方法,通过计算连接度对网络流进行分类。该方法在分析P2P业务连接度特征的基础上,提出了连接度的三个特征实现了对网络P2P流的分类。　　 (3)基于回归的P2P缓存模型,通过计算缓存对象热度,缓存热度高对象。该P2P缓存模型,实现了对热点对象的缓存。　　 上述两种P2P识别算法内容包括了实验的网络拓扑结构介绍、P2P流量识别算法模型、实验结果解释和效果分析,并与传统识别方法做了详细的比较。实验表明,论文提出了两识别方法在准确性和实时性上具有优势。P2P缓存模型部分包括了P2P缓存总体模型、基于回归的流行度预测以及缓存策略。对该模型进行了仿真,实验证明在对象命中率和服务器负载率上优于传统的LFU和LRU方法。该模型的创新点在于应用回归对P2P缓存模型的构建。下一步工作将在现有基础上对流量进行应用级分类研究,把已有的P2P识别算法应用到P2P缓存模型中。