摘要：本文分析了目前的p2p网络流量识别方法及其存在的问题。设计识别p2p流量的数据结构;在流量识别阶段,在传输层捕获TCp和UDp数据包,依据p2p流在传输层表现出来的主要流量特征,进行TCp/UDp流量特征的p2p流量识别;在载荷特征识别阶段,对载荷特征库定期更新,将在流量识别阶段中识别出的p2p流作精确载荷特征识别,并将流量识别阶段中漏掉的流量作载荷特征识别;在模式匹配过程采用比较指印函数值来加快识别速度;进而提出一个可准确识别出新生、加密的p2p流量及其名称的算法。实验结果表明,该算法具有较高识别和分类p2p流量的能力。

摘要：通过引入流特征统计和深度数据包检测相结合的思想,设计了一种可扩展的10Gb/s线速p2p流量识别引擎,给出了该引擎的硬件实现方案,详细介绍了方案中已知流过滤、传输层特征统计、净荷关键词匹配等核心部分的实现。测试表明,该引擎可完全实现10Gb/s速率下的p2p流量线速识别,识别准确率大于95%。

摘要：针对基于神经网络的p2p流量检测问题面临检测精度与样本训练时间相互矛盾的问题,提出了基于自适应的神经网络检测模型。通过对神经网络训练过程中的误差分析,改进神经网络的学习,动态调整神经网络的学习速率,以满足神经网络对预期结果的快速收敛性。详细阐述了应用于p2p流量检测的自适应神经网络构建过程,给出了自适应学习速率的相关计算公式。通过实验测试,结果表明采用自适应的神经网络具有训练速度快,检测精度高的特点,对7种典型p2p的识别精度基本达到了90%以上。