基于深度流检测的P2P网络流量识别系统的中期报告.docxVIP

基于深度流检测的P2P网络流量识别系统的中期报告

一、研究背景

P2P（Peer-to-Peer）网络已成为当今互联网最重要的应用之一，随着P2P应用迅速发展，其所占总流量的比例也不断增加。P2P网络是指一种直接连接到互联网的互联网应用程序，因此其流量识别是网络管理、网络安全等领域的重要研究方向之一。传统的流量监测方法主要基于通信端口或协议识别，但这些方法已经逐渐失效，因为现今的P2P应用程序往往使用随机或动态端口。因此，P2P网络流量识别已经成为一个重要的难题。

近年来，深度学习在图像识别、语音识别和自然语言处理等领域都取得了巨大成功，因此也开始在网络流量识别领域得到广泛应用。本研究旨在基于深度流检测方法，实现P2P网络流量识别。

二、研究内容

本研究基于深度学习技术，采用深度流检测方法对P2P流量进行识别。具体内容包括以下几个方面：

1.数据集构建：从公开数据集和采集的真实网络数据中，选择常见的P2P应用作为训练数据，并将其与其他非P2P流量混合，构建混合流量数据集。

2.特征提取：采用卷积神经网络（CNN）对网络数据进行特征提取，提高网络识别准确率。

3.分类模型设计：根据提取的特征，设计分类模型对P2P流量和非P2P流量进行分类。

4.模型优化：对设计好的模型进行优化，包括优化超参数、网络结构和模型训练策略等。

5.系统实现：在Python平台下实现基于深度流检测的P2P网络流量识别系统，并进行实验评估。

三、预期目标

本研究的预期目标如下：

1.设计一套高效的P2P流量识别系统，能够准确识别P2P流量，并区分其他流量类型。

2.通过实验验证，证明基于深度流检测方法的P2P网络流量识别系统的效果优于传统的端口和协议识别方法。

3.探讨深度学习在网络流量识别领域的应用，为进一步研究提供借鉴和参考。

四、研究进展

本项研究目前已完成数据集的构建、特征提取、分类模型设计等工作。

1.数据集构建

数据集的构建主要分为数据源采集和数据集划分两个部分。

数据源采集：采集公开数据集以及各个应用的真实网络数据。公开数据集包括CICIDS2017、ISCXVPN2016和CSE-CIC-IDS2018等。真实数据采集方式为抓包，抓取了各种类型的应用流量。将所有数据混合为一份数据集。

数据集划分：将所有数据分为训练集、验证集和测试集三部分。其中训练集占数据集的80%、验证集占数据集的10%、测试集占数据集的10%。

2.特征提取

特征提取主要采用卷积神经网络（CNN）的方法，对数据进行深度特征提取。CNN网络包括卷积层、池化层、全连接层和激活函数等。本项研究采用了三层的CNN网络，其中卷积层和池化层均采用了多尺度和多核方法，增加了网络的泛化能力。经过特征提取的输出向量将作为分类模型的输入。

3.分类模型设计

基于特征提取的结果，本项研究设计了一种P2P流量分类模型。分类模型采用了全连接神经网络，并且设计了两个隐藏层。为了避免模型过拟合，分类模型采用了Dropout以及L1和L2正则化方法进行优化。

本项研究在训练模型时采用了交叉熵误差函数，使用Adam优化算法进行模型优化。经过模型训练和验证，实现了对P2P流量和非P2P流量的分类。

四、总结

本项研究目前已完成数据集构建、特征提取和分类模型设计等工作，初步实现了基于深度学习的P2P网络流量识别。接下来，我们将在模型优化和系统实现等方面继续深入研究和探索，争取达到更好的实验结果。