多媒体信息流传播识别模型研究.docVIP

多媒体信息流传播识别模型研究 　　摘要：本文主要研究和实现特定多媒体信息流的实时识别系统。研究和建立基于综合特征的多识别引擎的多媒体信息流识别模型。包括多媒体信息流的方法、统计特性、连接模式、拓扑特性、内容特征等特性。 　　　关键词：多媒体　信息　识别　模型 　　 　　1、引　言 　　 　　随着多媒体通信技术的迅速发展，大量的文本、语音、视频、图片等多媒体信息成为了互联网的主要信息元素，匿名加密多媒体等业务也广泛使用。P2P技术和安全加密技术传送多媒体信息的广泛应用，匿名加密和P2P多媒体信息流有效地保护了个人隐私，使得通信变得越来越安全和高效，然而这些多媒体信息流也成为了大量反动、色情、无用垃圾信息的“传送带”，侵占了网络带宽等资源，从而破坏了互联网健康有序的绿色环境。实现对特定多媒体信息流的有效、灵活、可扩展地识别和过滤，从而营造健康、和谐与稳定的互联网环境。 　　 　　2、多媒体信息流识别的方法概述 　　 　　2.1　基于端口的静态流量识别方法。美国的AT＆T实验室的Subhabrata Sen、剑桥大学的Andrew w.Moore等均提出采用TCP/UDP端口来识别各种不同的应用程序流量。然而，随着端口动态变化业务的不断出现，以及诸多业务采用常规业务端口作为隧道穿越，这利叻_法也变得越来越低效和不准确。 　　2.2　基于净荷特征的流量识别方法，这种方法通常采用DPI(Deep Packet Inspection)净荷深度检测技术来匹配各种应用特征，从而识别出不同的多媒体业务流量。美国加利福尼亚大学的Thomas Karagiannis、ATT实验室的Subhabrata Sen以及美国威斯康星大学的Paul Barford都在他们的论文中提出采用净荷特征匹配的方法来识别特定多媒体业务流量(如P2P、VoIP等)。然而，随着私有协议业务、匿名加密或者VPN业务的不断出现，这种方法就不适用了。 　　2.3　基于流量统计特性的识别方法。这种方法不涉及具体净荷内容，而是通过对业务流的各种统计信息的分析来区分不同业务流量，如流内分组大小分布、包问到达间隔、平均流存活周期、连接特性等等。美国麻省理工学院的Fivos Constantinou、加利福尼亚大学的Thomas Karagiannis以及日本的H.J Kang也均提出统计的方法来识别业务。 　　2.4　基于综合净荷特征识别和流量特性统计方法的跨层业务识别方法。这种方法从一定程度上弥补了流量特性统计方法在准确性上的不足，然而对于新增业务或者业务特征变化的情况(如匿名加密VolP、动态变化且特征不规则的P2P多媒体信息流)仍无法适用。 　　2.5　基于智能计算的流量识别方法，这其中包括澳大利亚墨尔本swinburne大学的CAIA研究中心提出的机器学习的流量识别方法、芬兰的赫尔新基理工大学的Anssi Tauriainen提出的基于神经网络的自学习方法。该类方法是属于国际前沿的研究热点。 　　 　　3、多媒体信息流内容的识别概述。 　　 　　国内外对于内容识别的研究也随着理论研究深入和市场的需求而不断发展，针对多媒体应用的识别和控制，部分厂商在2004年推出了第一代的开发产品，比如caspxan网络公司利用自己特有的基于流传输的路由技术致力于服务质量的提高，推出该公司的CaspianA a120，Cache switch和Cachepliance产品。Cisco公司也推出了基于状态的协议监控，能够探测Web浏览、多媒体流和部分P2P应用等。语音识别主要是让机器听懂人说的话，即在各种情况下。准确地识别出语音的内容。HMM在语音处理各个领域都获得巨大的成功，但是它本身有很大的限制。他们研究的语音识别系统的性能在某些方面已经明显优于传统的HMM系统。从而免除人眼疲劳、实现自动视频理解、提高视频智能应用来辅助人们决策。目前国内对视频挖掘技术还处在概念理解的层次。相关研究文献还不多。而国外则己出现了一些算法和原型系统。以上解决了视频数据非结构化的问题。但由于视频数据的复杂性以及提取特征的困难性，如运动检测、对象提取、字幕探测、语音识别等，使得视频分析处于初级阶段。要对视频内容进一步分析，特别是对象内容和语义相关的分析，还需要很长时间的研究。 　　 　　4、多媒体信息流的识别模型的研究 　　 　　我们通过建立一个业务识别模型来对多媒体信息流进行识别，如图1。下面对模型的每个层面进行阐述。 　　首先，数据采集和协议分析层面提供对于不同链路的数据采集或复制技术，如1OO/1000M FE、ATM、SDH 2.5G/10G不同速率的采集或复制技术，以保障数据完整、可靠地传送至上一层面一协议分析层。信令识别层主要是用于多媒体信息类型的识别，通过对