论文部分内容阅读
目前P2P技术应用越来越广泛,但该应用最主要的问题是消耗大量网络带宽,并带来版权、安全和垃圾信息等问题。因此必须对P2P流量进行监控和管理以提高网络服务的性能。在该监控和管理系统中,P2P流量识别是最关键的技术。因此研究高效的P2P流量识别方法具有重要意义。从国内外的报道来看,基于神经网络的P2P流量识别方法可以取得比较好的效果；但该方法的系统的泛化能力不高,本课题利用神经网络集成来解决这一问题。本文创新之处主要在于以下三个方面：一是提出采用自适应遗传算法构造神经网络集成的方法,该方法能够有效提高学习系统的泛化能力；二是将提出的神经网络集成应用在RBF和FUZZY ARTMAP神经网络集成中,并将这两种神经网络集成应用于P2P流量识别中；三是建立仿真模型,对这两种神经网络集成的P2P流量识别方法进行仿真验证,并比较了这两种神经网络集成的P2P流量识别方法。我们首先比较了BP、RBF和FUZZY ARTMAP三种神经网络,仿真结果表明,三种神经网络对P2P流量的识别率都很高,但在训练时间上,RBF神经网络最好,BP神经网络最差。然后将RBF和FUZZY ARTMAP神经网络集成用于P2P流量识别中,结果表明,两种神经网络集成在牺牲一些训练时间和识别时间的基础上对P2P流量的识别率都有很大的提高。我们最后优化了神经网络集成,结果表明,基于简单平均的RBF神经网络集成的平均识别率为99.15%,较优化前的平均识别率提高了1.5%,平均训练时间为2.5872s,平均识别时间为0.9174s；而FUZZY ARTMAP神经网络集成的平均识别率为99.48%,较优化前的平均识别率提高了0.6%,平均训练时间为6.2824s,平均识别时间为1.4193s。从上述结果可知,RBF神经网络集成的训练时间和识别时间都较少,满足实时要求,识别效果较好,识别率低于FUZZY ARTMAP神经网络集成。如果使用软件,用RBF神经网络集成方案最佳；如果使用硬件方案,用FUZZY ARTMAP神经网络集成是最佳思路。