原创力文档- 1、本文档共2页，可阅读全部内容。
- 2、原创力文档（book118）网站文档一经付费（服务费），不意味着购买了该文档的版权，仅供个人/单位学习、研究之用，不得用于商业用途，未经授权，严禁复制、发行、汇编、翻译或者网络传播等，侵权必究。
- 3、本站所有内容均由合作方或网友上传，本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺！文档内容仅供研究参考，付费前请自行鉴别。如您付费，意味着您自己接受本站规则且自行承担风险，本站不退款、不进行额外附加服务；查看《如何避免下载的几个坑》。如果您已付费下载过本站文档，您可以点击 这里二次下载。
- 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等，请点击“版权申诉”（推荐），也可以打举报电话：400-050-0827(电话支持时间：9:00-18:30)。
查看更多
基于SVM的机器学习识别P2P流的方法的研究与实现的中期报告
一、研究背景及意义：
互联网网络犯罪日益猖獗，其中以P2P（点对点技术）的网络犯罪形式最为常见。P2P技术的本身具有一定的隐蔽性，如果放任不管，则会对网络环境造成很大的危害。因此，针对P2P流的识别技术具有十分重要的意义。P2P流识别是指对于网络流量流向的判断，判断该流量是属于P2P还是其他类型，属于实现网络流控的一个重要目标。
本研究的目标是基于SVM算法进行P2P流识别，对SVM算法进行深入研究，结合网络流量特点，建立合适的特征集，提高P2P流的准确率和识别效率，促进网络安全的发展，提供实际有效的解决方案。
二、研究内容：
1、对SVM算法进行深入研究，掌握其原理和应用；
2、研究网络流量特点，确定合适的特征集，并进行特征提取；
3、建立适合的P2P流SVM识别模型，对模型进行训练和测试；
4、分析实验结果，比对不同特征集和参数的影响，提高P2P流的准确率和识别效率。
三、研究方法：
1、查阅相关学术文献，了解SVM算法、网络流量特征、P2P流等知识；
2、使用Python编程语言进行实现，主要使用的库有scikit-learn、numpy、matplotlib等；
3、使用Wireshark 网络协议分析工具进行数据包抓取和分析；
4、参考已有研究成果，借助开源工具对数据集进行处理；
四、研究进展：
1、已经完成对SVM算法的学习和实验基础部分；
2、已经收集整理网络流量数据集并初步进行分析；
3、已经完成对某一数据集特征提取和SVM模型建立的实验，并初步分析实验结果。
五、下一步工作：
1、继续深入研究SVM算法理论及应用，并探索其他相关的机器学习算法；
2、进一步完善数据集和特征提取方法，提高实验准确率；
3、进行更多实验，分析实验结果，探索提高P2P流识别精度和提高识别效率的方法。
六、参考文献：
[1]钟文静,黄宏辉. 基于SVM算法的P2P流量识别研究[J].计算机系统应用,2015,24(07):156-158+165.
[2]肖芳,左建军.基于机器学习的网络流量识别研究[J].计算机工程,2017,43(12):258-261.
[3]沈红梅,陈奕,赵晓春,等.流量识别技术综述[J].通信学报,2016,37(05):220-234.
文档评论（0）