基于遺傳神經(jīng)網(wǎng)絡(luò)的P2P流量識別系統(tǒng)

孫瑜玲++林勤花

摘 要： 考慮到傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)在進(jìn)行P2P流量識別時(shí)，具有系統(tǒng)識別速度慢、精度低，神經(jīng)網(wǎng)絡(luò)自身容易陷入局部最小值等問題，使用遺傳算法對BP神經(jīng)網(wǎng)絡(luò)進(jìn)行優(yōu)化。遺傳算法具有較強(qiáng)的自適應(yīng)性和魯棒性，因此使用遺傳算法對BP神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值進(jìn)行優(yōu)化處理，能夠有效提高神經(jīng)網(wǎng)絡(luò)的性能。建立基于遺傳神經(jīng)網(wǎng)絡(luò)的識別系統(tǒng)，采集處理大量樣本數(shù)據(jù)，對識別系統(tǒng)進(jìn)行訓(xùn)練和測試。研究結(jié)果表明，基于遺傳神經(jīng)網(wǎng)絡(luò)的P2P流量識別系統(tǒng)具有識別精度高、識別速度快等優(yōu)點(diǎn)，相比傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)，其識別性能有明顯提高。

關(guān)鍵詞： 遺傳算法； P2P； 流量識別； BP神經(jīng)網(wǎng)絡(luò)

中圖分類號： TN711?34； TP393 文獻(xiàn)標(biāo)識碼： A 文章編號： 1004?373X（2015）17?0117?04

P2P traffic recognition system based on genetic neural network

SUN Yuling， LIN Qinhua

（Sichuan Information Technology College， Guangyuan 628017， China）

Abstract： Since the traditional BP neural network has slow recognition speed and low accuracy while proceeding P2P traffic recognition， and the neural network itself is easy to fall into local minimum value， the genetic algorithm is used to optimize BP neural network. Genetic algorithm has better adaptability and robustness， so it is used to optimize the weight and threshold of BP neural network， which can improve the performance of the neural network effectively. To study the performance of the established recognition system based on genetic neural network， the recognition system was trained and tested by collecting and processing a large number of sample data. The research results show that P2P traffic identification system based on genetic neural network has high recognition accuracy and rapid recognition speed. Compared with the traditional BP neural network， the recognition performance of P2P traffic identification system has been improved obviously.

Keywords： genetic algorithm； P2P； traffic recognition； BP neural network

隨著計(jì)算機(jī)科學(xué)技術(shù)的不斷發(fā)展與進(jìn)步，P2P技術(shù)已經(jīng)廣泛應(yīng)用于網(wǎng)絡(luò)視頻音頻多媒體播放、網(wǎng)絡(luò)文件共享以及數(shù)據(jù)傳輸?shù)阮I(lǐng)域，P2P技術(shù)不斷吸引了越來越多的網(wǎng)絡(luò)用戶、網(wǎng)絡(luò)應(yīng)用服務(wù)開發(fā)者以及提供商的目光，各種各樣的基于P2P技術(shù)的網(wǎng)絡(luò)應(yīng)用和服務(wù)不斷涌現(xiàn)，為人們在網(wǎng)絡(luò)中提供了便利。然而，隨著人們享受著P2P技術(shù)帶來的各種便利的同時(shí)，P2P技術(shù)的各種負(fù)面效應(yīng)也隨之而來。目前P2P應(yīng)用存在對網(wǎng)絡(luò)流量消耗巨大，監(jiān)管難度大，以及易于網(wǎng)絡(luò)病毒傳播，為網(wǎng)絡(luò)帶來安全隱患等問題。因此，對P2P流量的精確識別和監(jiān)測成為了對P2P技術(shù)研究的重中之重[1?5]。

1 P2P流量識別技術(shù)

1.1 典型P2P流量識別技術(shù)

典型的P2P流量識別技術(shù)主要有：基于端口的識別技術(shù)、基于深層數(shù)據(jù)包的識別技術(shù)以及基于流量變化特征的識別技術(shù)。

基于端口的識別技術(shù)是一種應(yīng)用最早的識別技術(shù)，其主要根據(jù)早期P2P應(yīng)用的固定端口進(jìn)行識別，具有算法簡便，易于實(shí)現(xiàn)等優(yōu)點(diǎn)，但是對于現(xiàn)如今復(fù)雜的網(wǎng)絡(luò)環(huán)境，此種技術(shù)已經(jīng)不再適用[6?7]。

基于深層數(shù)據(jù)包的識別技術(shù)往往因?yàn)榇嬖谧R別滯后、隱私保護(hù)以及算法復(fù)雜等缺點(diǎn)而得不到廣泛普及應(yīng)用。

基于流量變化特征的識別技術(shù)通過對P2P流量數(shù)據(jù)進(jìn)行采集，通過處理數(shù)據(jù)得到數(shù)據(jù)流的統(tǒng)計(jì)特征，使用統(tǒng)計(jì)特征作為機(jī)器學(xué)習(xí)的訓(xùn)練樣本，得到經(jīng)過訓(xùn)練的識別系統(tǒng)。此識別技術(shù)具有算法簡便、效率高等優(yōu)點(diǎn)[8?9]。

1.2 基于神經(jīng)網(wǎng)絡(luò)的P2P流量識別技術(shù)

BP神經(jīng)網(wǎng)絡(luò)是一種有督導(dǎo)的智能機(jī)器學(xué)習(xí)算法，已經(jīng)在機(jī)械、計(jì)算機(jī)、通信等領(lǐng)域得到了廣泛應(yīng)用，其技術(shù)發(fā)展已經(jīng)相對成熟。將BP神經(jīng)網(wǎng)絡(luò)用于對P2P流量的識別是一種可行有效的識別技術(shù)和手段。

然而將BP神經(jīng)網(wǎng)絡(luò)算法用于P2P流量識別雖然克服了傳統(tǒng)識別方法存在的諸多問題，但是由于算法自身特性也隨之帶來了新的問題。

BP神經(jīng)網(wǎng)絡(luò)實(shí)際上是梯度下降算法的一種迭代學(xué)習(xí)方法。由于梯度下降算法要求具有較小的學(xué)習(xí)速度時(shí)才能進(jìn)行穩(wěn)定的學(xué)習(xí)，因此其收斂速度較慢。并且，由于BP神經(jīng)網(wǎng)絡(luò)在進(jìn)行訓(xùn)練時(shí)，會在某點(diǎn)沿著誤差斜面而漸進(jìn)誤差極值，不同的起點(diǎn)會得到不同的誤差極值和不同的解。因此傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)具有學(xué)習(xí)速度慢、抗干擾能力弱以及容易陷入局部最小值等缺點(diǎn)[10?11]。

2 BP神經(jīng)網(wǎng)絡(luò)和遺傳神經(jīng)網(wǎng)絡(luò)

2.1 BP神經(jīng)網(wǎng)絡(luò)

BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。通常由輸入層、輸出層和隱含層組成。

圖1中[P]為網(wǎng)絡(luò)輸出，[R]為網(wǎng)絡(luò)維數(shù)，[S1]為隱層神經(jīng)元數(shù)目，[W1]為隱層神經(jīng)元權(quán)值，[a1]為隱層神經(jīng)元輸出，[b1]為隱層神經(jīng)元閾值，[n1]為隱層節(jié)點(diǎn)的輸入，[S2]為輸出層神經(jīng)元數(shù)目，[W2]為輸出層神經(jīng)元權(quán)值，[a2]為輸出層神經(jīng)元輸出，[b2]為輸出層神經(jīng)元閾值，[n2]為輸出層節(jié)點(diǎn)的輸入，[f1，][f2]為傳遞函數(shù)，通常，[f2]為purelin型，[f1]為：

[fx=11+e-x] （1）

則有BP神經(jīng)網(wǎng)絡(luò)的輸出誤差為：

[E=p12jdpj-opj2] （2）

BP神經(jīng)網(wǎng)絡(luò)算法的權(quán)值修正方法為：

[ωjit+1=ωjit+ηδpjopj] （3）

式中[η]為網(wǎng)絡(luò)的學(xué)習(xí)速度。

輸出層的神經(jīng)元為：

[δpj=opjdpj-opj1-opj] （4）

隱層的神經(jīng)元為：

[δpj=opjdpj-opjkδpkωkj] （5）

BP神經(jīng)網(wǎng)絡(luò)傳播算法為反向傳播，需要多次試算才能確定神經(jīng)網(wǎng)絡(luò)系統(tǒng)的連接權(quán)值和閾值。初始權(quán)值和閾值的選取對最終的連接權(quán)值和閾值有很大影響，同時(shí)對神經(jīng)網(wǎng)絡(luò)的收斂速度和精度影響很大。因此本文使用遺傳算法對BP神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值進(jìn)行優(yōu)化處理[12]。

2.2 遺傳神經(jīng)網(wǎng)絡(luò)

2.2.1 遺傳算法

遺傳算法是一種由Datwin進(jìn)化論和Mendel遺傳學(xué)思想提出的具有強(qiáng)魯棒性能，強(qiáng)并行處理能力的全局優(yōu)化搜索算法。遺傳算法已經(jīng)在計(jì)算機(jī)科學(xué)、機(jī)械科學(xué)、交通運(yùn)輸、物流分配、組合優(yōu)化等領(lǐng)域得到了廣泛的應(yīng)用。

遺傳算法可以表述為：

[GA=O0， N， L， s， g， p， f， t] （6）

式中：[O0]是初始種群，[O0=a10，a20，…，] [aN0∈IN；][I]為[L]的全體二進(jìn)制串，[I=B1=0，1]；[N]為在一個(gè)種群中，染色體的個(gè)數(shù)；[L]為二進(jìn)制串的長度；[s]為選擇策略，[IN→IN]；[g]為遺傳算子，[g]包括繁殖算子[Qr：][I→I，]雜交算子[Qc：][I×I→I×I]以及變異算子[Qm：][I→I；][p]為遺傳算子概率，[p]包括繁殖概率[pr、]雜交概率[pc]以及變異概率[pm；][f]為適應(yīng)函數(shù)，[f：][I→R+；][t]為終止準(zhǔn)則[13]，[t]：[IN→0，1]。

2.2.2 神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)

通過數(shù)據(jù)樣本對神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練學(xué)習(xí)后，網(wǎng)絡(luò)對測試數(shù)據(jù)樣本能夠做出準(zhǔn)確識別的能力稱為神經(jīng)網(wǎng)絡(luò)的泛化能力。神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)、訓(xùn)練數(shù)據(jù)樣本的初始處理以及網(wǎng)絡(luò)中單元連接點(diǎn)的連接權(quán)值是影響神經(jīng)網(wǎng)絡(luò)泛化能力的重要因素。單隱含層的前饋式神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的隱含層神經(jīng)元個(gè)數(shù)由VC維確定。神經(jīng)網(wǎng)絡(luò)泛化能力受到網(wǎng)絡(luò)結(jié)構(gòu)復(fù)雜程度的影響可以由VC維測試。VC維的維度表示為：

[d=MN+NP] （7）

式中：[M]為神經(jīng)網(wǎng)絡(luò)輸入層神經(jīng)元個(gè)數(shù)；[N]為神經(jīng)網(wǎng)絡(luò)隱含層神經(jīng)元個(gè)數(shù)；[P]為神經(jīng)網(wǎng)絡(luò)輸出層神經(jīng)元個(gè)數(shù)。

神經(jīng)網(wǎng)絡(luò)輸入層神經(jīng)元個(gè)數(shù)[M]和輸出層神經(jīng)元個(gè)數(shù)[P]為已知量，可以在允許范圍內(nèi)，調(diào)整訓(xùn)練樣本數(shù)量[m]和隱含層神經(jīng)元個(gè)數(shù)[N]的值，隱含層神經(jīng)元個(gè)數(shù)[N]的取值為：

[N=M+P+a] （8）

式中[a]為一常數(shù)，在1～20范圍內(nèi)。

神經(jīng)網(wǎng)絡(luò)經(jīng)過[m]個(gè)訓(xùn)練數(shù)據(jù)樣本訓(xùn)練后，網(wǎng)絡(luò)的泛化誤差不大于[e，]其中[e≤Odm?lnmd]。對訓(xùn)練數(shù)據(jù)樣本個(gè)數(shù)[m]和隱含層神經(jīng)元個(gè)數(shù)[N]進(jìn)行合理選取可以使[e]趨于最低值。因此可以得到最優(yōu)的神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)以及最優(yōu)的訓(xùn)練數(shù)據(jù)樣本個(gè)數(shù)[m。]

遺傳算法的適應(yīng)度函數(shù)表示為：

[f=NSSE] （9）

式中：[SSE]為神經(jīng)網(wǎng)絡(luò)輸出與實(shí)際值的誤差平方和[14]。

2.2.3 遺傳神經(jīng)網(wǎng)絡(luò)算法

通過上述對BP神經(jīng)網(wǎng)絡(luò)和遺傳算法的分析可以得到啟示，由于初始權(quán)值和閾值的選取對最終的連接權(quán)值和閾值有很大影響，同時(shí)對神經(jīng)網(wǎng)絡(luò)的收斂速度和精度影響很大。因此使用遺傳算法通過遺傳和變異手段對BP神經(jīng)網(wǎng)絡(luò)的初始權(quán)值和閾值進(jìn)行不斷更新?lián)Q代的優(yōu)化處理，從而確保BP神經(jīng)網(wǎng)絡(luò)系統(tǒng)總誤差[SSE]趨于最低值。使用遺傳算法對BP神經(jīng)網(wǎng)絡(luò)的優(yōu)化過程如圖2所示。

優(yōu)化過程可以表述為：

（1）生產(chǎn)一個(gè)隨機(jī)的初始解群體[Xt=]。。。[x1t，x2t，…，xNt。]

（2） 對群中個(gè)體神經(jīng)網(wǎng)絡(luò)使用訓(xùn)練數(shù)據(jù)樣本進(jìn)行網(wǎng)絡(luò)訓(xùn)練，然后計(jì)算得到個(gè)體各自的學(xué)習(xí)誤差，對初始解群體[Xt]中的每個(gè)個(gè)體[xit]的適應(yīng)度使用適應(yīng)函數(shù)求解。

（3） 使用雜交概率[pc]以及變異概率[pm]完成交叉、變異操作，從而得到新的解群體[Xt]。

（4） 對新的解群體[Xt]中每個(gè)個(gè)體進(jìn)行計(jì)算得到各自適應(yīng)度，由最優(yōu)保留策略計(jì)算出下一代種群[Xt+1]。

（5） 當(dāng)滿足下面這兩個(gè)條件之一時(shí)，所得個(gè)體即為所求個(gè)體：迭代次數(shù)大于限制代數(shù)[T]；使用解群體里某一個(gè)最優(yōu)解使得個(gè)體建立的神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)輸出誤差滿足要求。若不滿足任何條件，跳到步驟（4），繼續(xù)循環(huán)進(jìn)化過程[15]。

3 P2P流量識別實(shí)驗(yàn)分析

3.1 實(shí)驗(yàn)數(shù)據(jù)采集

在實(shí)際復(fù)雜網(wǎng)絡(luò)環(huán)境下，使用嗅探軟件SRSniffer對P2P數(shù)據(jù)流量進(jìn)行采集。用于輸入向量的流量特征選取為：數(shù)據(jù)包總數(shù)；TCP流量比例；上行流量比例；平均數(shù)據(jù)包長度；連接數(shù)量與IP數(shù)量之比。數(shù)據(jù)包統(tǒng)計(jì)時(shí)間長度選取為30 s。

選取其中數(shù)據(jù)量較大，使用頻率較高的Bitcomet流量14 320 MB，thunder流量12 650 MB，QQLIVE流量9 380 MB，以及PPStream流量8 640 MB，總計(jì)44 990 MB流量。通過數(shù)據(jù)處理和統(tǒng)計(jì)分析，將Bitcomet，thunder，QQLIVE和PPStream這四種應(yīng)用的流量數(shù)據(jù)中各提取出300個(gè)樣本。其中150個(gè)樣本用于神經(jīng)網(wǎng)絡(luò)訓(xùn)練樣本，另外150個(gè)樣本用于對訓(xùn)練后的神經(jīng)網(wǎng)絡(luò)進(jìn)行識別測試，這樣共有600個(gè)樣本用于訓(xùn)練，600個(gè)樣本用于測試[16]。

3.2 神經(jīng)網(wǎng)絡(luò)訓(xùn)練過程

根據(jù)P2P流量識別系統(tǒng)的要求，在Matlab數(shù)值計(jì)算軟件中建立BP神經(jīng)網(wǎng)絡(luò)模型和遺傳神經(jīng)網(wǎng)絡(luò)模型。其中神經(jīng)網(wǎng)絡(luò)的輸入層數(shù)由流量特征數(shù)量決定，由前文可將輸入層數(shù)設(shè)定為5。輸出層數(shù)由需要識別的P2P應(yīng)用類型決定，由前文可將輸出層數(shù)設(shè)定為4，神經(jīng)元傳遞函數(shù)設(shè)定為purelin型。隱含層數(shù)根據(jù)輸入、輸出層神經(jīng)元個(gè)數(shù)確定，根據(jù)經(jīng)驗(yàn)公式可以確定隱含層神經(jīng)元個(gè)數(shù)為18，并且使用tansig（）型傳遞函數(shù)。設(shè)定神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)速率為10?2，最大訓(xùn)練次數(shù)為2 000次，訓(xùn)練精度為10?5。設(shè)定初始群體的大小為18，變異概率為0.25，交叉概率為0.75，終止代數(shù)[17]設(shè)定為600。

使用訓(xùn)練樣本分別對BP神經(jīng)網(wǎng)絡(luò)和遺傳神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，得到兩個(gè)系統(tǒng)收斂曲線如圖3，圖4所示。

通過對比BP神經(jīng)網(wǎng)絡(luò)和遺傳神經(jīng)網(wǎng)絡(luò)訓(xùn)練收斂曲線可以看出，BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練達(dá)到設(shè)定精度需要進(jìn)行1 700多次訓(xùn)練，而遺傳神經(jīng)網(wǎng)絡(luò)僅需要1 000次訓(xùn)練，因此遺傳神經(jīng)網(wǎng)絡(luò)具有較快的收斂速度和收斂精度。

3.3 P2P流量識別結(jié)果分析

使用采集處理好的600個(gè)測試數(shù)據(jù)對使用BP神經(jīng)網(wǎng)絡(luò)和遺傳神經(jīng)網(wǎng)絡(luò)的識別模型進(jìn)行性能測試，其測試結(jié)果見表1。

由測試數(shù)據(jù)可以看出，基于遺傳神經(jīng)網(wǎng)絡(luò)的識別率平均值為94.9%，比基于BP神經(jīng)網(wǎng)絡(luò)的平均識別率高出6.5%，其識別性能明顯優(yōu)于基于BP神經(jīng)網(wǎng)絡(luò)的識別系統(tǒng)。

在實(shí)驗(yàn)過程中發(fā)現(xiàn)，Bitcomet和thunder這兩個(gè)P2P應(yīng)用的流量識別準(zhǔn)確率比較高。而QQLIVE和PPStream兩個(gè)P2P應(yīng)用的流量識別準(zhǔn)確率相對較低，而且經(jīng)常被互相識別，這主要是因?yàn)镼QLIVE和PPStream兩個(gè)P2P應(yīng)用都屬于P2P網(wǎng)絡(luò)流媒體，由于兩者協(xié)議比較相似，流量特性亦相似，因此經(jīng)常被互相誤識別[18]。

4 結(jié) 論

本文對P2P流量識別技術(shù)進(jìn)行了深入研究。P2P技術(shù)在網(wǎng)絡(luò)中已經(jīng)得到了廣泛應(yīng)用，其流量在網(wǎng)絡(luò)總流量中占有重要地位，因此對其流量進(jìn)行實(shí)時(shí)監(jiān)測識別具有重要意義。本文對P2P流量識別技術(shù)進(jìn)行了分析，對使用比較廣泛的BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行了深入研究，并針對其缺點(diǎn)，使用遺傳算法進(jìn)行優(yōu)化，建立基于遺傳神經(jīng)網(wǎng)絡(luò)的P2P流量識別模型。通過實(shí)驗(yàn)采集大量網(wǎng)絡(luò)訓(xùn)練樣本和測試樣本，對建立的識別系統(tǒng)進(jìn)行測試。測試結(jié)果表明，基于遺傳算法的神經(jīng)網(wǎng)絡(luò)的識別速度和識別精度要高于BP神經(jīng)網(wǎng)絡(luò)，具有較高的工程應(yīng)用價(jià)值。

參考文獻(xiàn)

[1] 譚紅春，楊松濤，闞紅星.校園網(wǎng)P2P流量綜合檢測技術(shù)研究[J].長沙大學(xué)學(xué)報(bào)，2015（2）：70?72.

[2] 劉興光.一種混合式BT流量實(shí)時(shí)檢測方法[J].網(wǎng)絡(luò)安全技術(shù)與應(yīng)用，2014（3）：53?55.

[3] 湯偉.基于數(shù)據(jù)流特征向量識別的P2P僵尸網(wǎng)絡(luò)檢測方法研究[D].青島：中國海洋大學(xué)，2014.

[4] 席鵬.基于距離判決算法的P2P流量識別模型研究[D].昆明：云南大學(xué)，2013.

[5] 鄧力為.基于遺傳神經(jīng)網(wǎng)絡(luò)的P2P流量檢測研究[D].成都：電子科技大學(xué)，2013.

[6] 張龍璨.基于粒子群優(yōu)化半監(jiān)督學(xué)習(xí)的網(wǎng)絡(luò)流量分類方法研究[D].武漢：華中科技大學(xué)，2013.

[7] 張瀚.基于DPI技術(shù)的P2P流量檢測系統(tǒng)設(shè)計(jì)[D].北京：北京郵電大學(xué)，2013.

[8] 馬容生.基于自適應(yīng)神經(jīng)網(wǎng)絡(luò)的P2P流量檢測研究[J].通信技術(shù)，2012（6）：113?116.

[9] 張瀚，朱洪亮，辛陽.基于DPI技術(shù)的P2P流量檢測系統(tǒng)設(shè)計(jì)[J].信息網(wǎng)絡(luò)安全，2012（10）：36?40.

[10] 張小敏.基于DPI的P2P流量識別方法研究[D].南京：南京郵電大學(xué)，2012.

[11] 周雪蓮.P2P流量應(yīng)用層實(shí)時(shí)檢測技術(shù)研究[D].長春：吉林大學(xué)，2012.

[12] 賀毅朝，宋建民，張敬敏，等.利用遺傳算法求解靜態(tài)與動(dòng)態(tài)背包問題的研究[J].計(jì)算機(jī)應(yīng)用研究，2015（4）：1011?1015.

[13] 王曉瑜，原思聰，李曼.基于自適應(yīng)蟻群遺傳混合算法的PID參數(shù)優(yōu)化[J].計(jì)算機(jī)應(yīng)用研究，2015（5）：1376?1378.

[14] 劉奕君，趙強(qiáng)，郝文利.基于遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的瓦斯?jié)舛阮A(yù)測研究[J].礦業(yè)安全與環(huán)保，2015，42（2）：56?60.

[15] 吳連平，楊曉翔.基于神經(jīng)網(wǎng)絡(luò)與遺傳算法的關(guān)節(jié)軸承擠壓模具優(yōu)化[J].中國機(jī)械工程，2015，26（10）：1351?1355.

[16] 李麟青，楊哲，朱艷琴.一種混合式BitTorrent流量檢測方法[J].計(jì)算機(jī)應(yīng)用，2011，31（12）：3210?3214.

[17] 劉文超，陳琳，向華.P2P流量檢測技術(shù)與分析[J].現(xiàn)代電子技術(shù)，2011，34（22）：39?41.

[18] 高富.基于行為統(tǒng)計(jì)特性的P2P流量檢測技術(shù)的研究[D].北京：北京郵電大學(xué)，2011.