神經(jīng)網(wǎng)絡集成及其P2P流量識別的應用研究.pdf

1、目前P2P技術應用越來越廣泛，但該應用最主要的問題是消耗大量網(wǎng)絡帶寬，并帶來版權、安全和垃圾信息等問題。因此必須對P2P流量進行監(jiān)控和管理以提高網(wǎng)絡服務的性能。在該監(jiān)控和管理系統(tǒng)中，P2P流量識別是最關鍵的技術。因此研究高效的P2P流量識別方法具有重要意義。
　　從國內(nèi)外的報道來看，基于神經(jīng)網(wǎng)絡的P2P流量識別方法可以取得比較好的效果；但該方法的系統(tǒng)的泛化能力不高，本課題利用神經(jīng)網(wǎng)絡集成來解決這一問題。
　　本文創(chuàng)新之處主要

2、在于以下三個方面：一是提出采用自適應遺傳算法構造神經(jīng)網(wǎng)絡集成的方法，該方法能夠有效提高學習系統(tǒng)的泛化能力；二是將提出的神經(jīng)網(wǎng)絡集成應用在RBF和FUZZYARTMAP神經(jīng)網(wǎng)絡集成中，并將這兩種神經(jīng)網(wǎng)絡集成應用于P2P流量識別中；三是建立仿真模型，對這兩種神經(jīng)網(wǎng)絡集成的P2P流量識別方法進行仿真驗證，并比較了這兩種神經(jīng)網(wǎng)絡集成的P2P流量識別方法。
　　我們首先比較了BP、RBF和FUZZYARTMAP三種神經(jīng)網(wǎng)絡，仿真結果表明，三

3、種神經(jīng)網(wǎng)絡對P2P流量的識別率都很高，但在訓練時間上，RBF神經(jīng)網(wǎng)絡最好，BP神經(jīng)網(wǎng)絡最差。
　　然后將RBF和FUZZYARTMAP神經(jīng)網(wǎng)絡集成用于P2P流量識別中，結果表明，兩種神經(jīng)網(wǎng)絡集成在犧牲一些訓練時間和識別時間的基礎上對P2P流量的識別率都有很大的提高。
　　我們最后優(yōu)化了神經(jīng)網(wǎng)絡集成，結果表明，基于簡單平均的RBF神經(jīng)網(wǎng)絡集成的平均識別率為99.15％，較優(yōu)化前的平均識別率提高了1.5%，平均訓練時間為2.58

4、72s，平均識別時間為0.9174s；而FUZZYARTMAP神經(jīng)網(wǎng)絡集成的平均識別率為99.48%，較優(yōu)化前的平均識別率提高了0.6%，平均訓練時間為6.2824s，平均識別時間為1.4193s。
　　從上述結果可知，RBF神經(jīng)網(wǎng)絡集成的訓練時間和識別時間都較少，滿足實時要求，識別效果較好，識別率低于FUZZYARTMAP神經(jīng)網(wǎng)絡集成。如果使用軟件，用RBF神經(jīng)網(wǎng)絡集成方案最佳；如果使用硬件方案，用FUZZYARTMAP神經(jīng)網(wǎng)絡