自从二十世纪九十年代P2P技术出现以来,它就得到了飞速的发展和广泛的应用,并且P2P流量占据的网络流量比重也日趋变大。在其便捷用户的同时也侵占了更多的网络资源,给网络质量带来了巨大的负面影响。因此,如何对P2P流量进行有效的管控有着重要的意义,而怎样有效、准确、快速的对P2P流量的进行识别是进行有效管控的前提。然而现有的一些传统的流量识别技术,如基于静态端口、基于应用层签名、基于深度数据包检测等方法,由于其自身的局限性,不能很好的应对流量识别中新出现的协议加密、端口跳变等情况,因此基于机器学习的识别方法成为了该研究领域的研究重点。P2P流量识别可以看作是分类问题中的二类分类,把流量分为P2P流量和非P2P流量,可以将机器学习中的分类思想应用至P2P流量识别领域,确定P2P流量的统计行为特征,将流量按其特征进行分类。选择哪些流量特征与适当的分类方法都会影响识别结果的准确性,而这一问题在一定程度上可以转换为寻找最优问题。因此本论文提出了基于蚁群算法和支持向量机的P2P流量识别系统并对其进行设计与实现。主要工作包括以下几点:1.对P2P流量识别技术的现状进行了分析,并对机器学习算法在P2P流量识别中的应用与传统的流量识别技术的特点进行了对比分析,并综述了国内外基于机器学习算法的P2P流量识别技术的研究成果,给出了研究意义和背景。2.详细介绍了本文所述系统中需要用到的相关理论知识和关键技术,包括蚁群优化算法、特征选择方法、支持向量机分类算法等理论。并提出采用蚁群算法对流量进行特征选择的方案,优化支持向量机的输入,避免过多的无用流量特征增加工作量,为后续工作铺垫。3.对本文所设计的P2P流量识别系统进行了需求分析,概要设计以及系统的详细设计与实现。对系统中各个子模块进行了详细的说明,最后实现了基于蚁群算法和支持向量机的P2P流量识别系统。4.搭建实验环境,按需求采集实验数据,通过采集校园网中的真实数据,分别在性能上以及功能上对系统进行测试,并对测试结果进行了分析。实验结果表明,本文提出的P2P流量识别系统可以克服传统流量识别的弊端,从而达到较高的准确率,有着一定的实用价值。