网域网监管中的P2P流媒体流量识别与阻断技术研究的中期报告.docxVIP

网域网监管中的P2P流媒体流量识别与阻断技术研究的中期报告 目前，P2P（点对点）流媒体成为了互联网上最主要的流媒体传输方式之一，而P2P流媒体的大流量传输对网络带宽和稳定性造成了很大的影响，因此需要对P2P流量进行监管和控制。本研究针对网域网（Campus Network）对P2P流媒体的监管和阻断进行了研究，以下是中期报告。 一、研究背景及目标 在网域网中，P2P流媒体的传输往往占据了较大的带宽，导致其他网络应用受到限制和影响，因此需要对P2P流媒体进行有效的监管和阻断。本研究的目标是开发一种针对P2P流媒体的识别与阻断技术，并在网域网中进行应用实验，验证其有效性。 二、研究方法 本研究采用深度学习（Deep Learning）的方法来识别P2P流媒体流量，并使用OpenFlow协议来进行流量的阻断和控制。具体研究步骤如下： 1. 数据采集：通过网络流量监测设备对网域网中的流量进行采集，包括HTTP、FTP、P2P等多种应用的流量数据。 2. 数据清洗：对采集到的流量数据进行预处理和清洗，去除一些无关的信息，减少数据噪声。 3. 特征提取：使用卷积神经网络（CNN）对处理过的流量数据进行特征提取，得到P2P流媒体的特征向量，作为输入数据。 4. 训练模型：采用深度学习算法训练模型，使用已标记的P2P流媒体数据和非P2P流量数据进行训练，得到模型。 5. 流量识别：在实时流量中，使用训练好的模型对流量进行预测和识别，得到P2P流媒体的流量数据。 6. 流量控制：使用OpenFlow协议对P2P流媒体的流量进行控制和阻断，保证网络带宽的稳定和流量的合理分配。 三、预期结果 本研究的预期结果如下： 1. 开发针对P2P流媒体的识别与阻断技术，能够有效地对P2P流量进行监管和控制。 2. 在网域网实验中，验证所开发技术的有效性和可行性，并对技术进行优化和改进。 3. 推广应用：将所开发技术用于其他类似流量的监管和控制。 四、研究进展 目前，本研究已完成了数据采集和清洗工作，并初步开发出了基于深度学习的P2P流媒体流量识别模型。下一步将进行模型的训练和流量的识别实验，并开发流量控制模块。预计在本年度内完成整个研究任务。