P2P流量识别
出版时间:
2016-12
版次:
1
ISBN:
9787030507020
定价:
60.00
装帧:
平装
开本:
16开
纸张:
胶版纸
页数:
196页
字数:
247千字
正文语种:
简体中文
-
随着计算机网络的发展与对等网络的应用，P2P流量已经成为网络流量中主要的组成部分-P2P应用带来网络发展繁荣的同时，也带来矛盾和挑战，有必要对-P2P流量的进行控制和管理，首要问题便是实现对P2P流量的识别。
《P2P流量识别》主要包括如下内容：P2P流量识别方法概述，基于DPI抽样的P2P流量识别，基于DPI信任抽样的P2P流量识别，基于DFI-SVM模型的P2P流量识别，基于DPUDFI结合的P2P流量识别，基于CS-PSO和SVM的P2P流量识别，基于菌群优化算法和小波SVM的P2P流量识别，基于人工蜂群算法和小波SVM的P2P流量识别。
《P2P流量识别》可作为计算机科学与技术、网络工程与信息安全等相关专业研究生及高年级本科生的教材，也可作为科研人员的参考书，还可作为研究生、博士生及教师论文写作的参考书。 第1章 P2P流量识别方法概述
1．1 P2P网络的发展及特点
1．1．1 P2P网络的发展
1．1．2P2P网络的特点
1．2 P2P流量识别方法
1．2．1 基于端口号的识别方法
1．2．2 基于深层数据包的识别方法
1．2．3 基于流量特征的识别方法
1．2．4 基于机器学习的识别方法
参考文献
第2章 基于DPI抽样的P2P流量识别
2．1 字符串匹配算法
2．1．1 AC算法
2．1．2 Wu．Manber算法
2．1．3 SBOM算法
2．2 字符串匹配算法实验分析
2．2．1 实验环境
2．2．2 特征码生成随机算法
2．2．3 字符串强制长度匹配
2．2．4 实验结果
2．2．53 种算法比较
2．3 DPI抽样模型
2．4 DPI抽样策略
2．4．1 抽样对象的选择
2．4．2 抽样分片
2．4．3 抽样方式
2．4．4 抽样策略组合及算法
2．5 基于DPI抽样的P2P流量识别实验分析
2．5．1 测试环境
2．5．2 测试对象及设置
2．5．3 测试方式
2．5．4 测试结果及分析
参考文献
第3章 基于DPI信任抽样的P2P流量识别
3．1 基于信任度抽样的P2P流量识别
3．1．1 技术方案
3．1．2 策略具体实施方式
3．1．3 新型深度扫描模型的具体应用
3．2 基于二阶信任抽样的P2P流量识别
3．2．1 二阶随机抽样信任策略
3．2．2 二阶蓄水池抽样算法
3．2．3 实验结果分析
参考文献
第4章 基于DFI-SVM模型的P2P流量识别
4．1 SVM订简介
4．1．1 SVM设计思想
4．1．2 SVM训练算法
4．1．3 SVM分类模型
4．1．4 SVM反馈增量学习
4．2 SVM算法的核函数选择
4．2．1 核函数选择原则
4．2．2 RBF核函数
4．3 基于SⅥⅥ算法的DFI在线流量识别模型
4．3．1 SVM算法在P2P流量识别中的应用现状
4．3．2 基于SVM算法的DFI流量识别模型结构
4．4 网络流量特征选择
4．4．1 P2P流量特征提取和选择
4．4．2 基于口和IP-Port的P2P流量模式
4．5 实验环境与界面
4．6 实验结果分析
4．6．1 IP模式测试
4．6．2 IP-Port模式测试
4．6．3 IP模式对比IP-Port模式
4．6．4 IP和IP．Port协同模式测试
参考文献
第5章 基于DPI-DFI结合的P2P流量识别
5．1 DPI/DFI结合思想
5．2 DPI/DFI结合的P2P流量识别系统设计
5．2．1 软件结构设计
5．2．2 逻辑结构设计
5．2．3 协同策略设计
5．3 关键技术问题
5．3．1 缓解掉包问题
5．3．2 快速装载DPI特征库及高速命中
5．3．3 流量统计信息结构体设计及控制
5．3．4 UCHAR与CHAR
5．4 实验环境与界面
5．4．1 实验环境
5．4．2 系统抓包
5．4．3 DPI测试
5．4．4 DFI测试
5．4．5 DPI/DFI协同测试
参考文献
第6章 基于CS-PSO和SVM的P2P流量识别
6．1 相关算法基本原理
6．1．1 遗传算法
6．1．2 杜鹃搜索算法
6．1．3 粒子群算法
6．1．4 融合杜鹃搜索的粒子群算法
6．2 cs．PsO的P2P流量特征选择方法
6．2．1 P2P流量特征概述
6．2．2 特征选择概述
6．2．3 基于GA的P2P流量特征选择方法
6．2．4 基于CS的P2P流量特征选择方法
6．2．5 基于PSO的P2P流量特征选择方法
6．2．6 基于CS-PSO的P2P流量特征选择方法
6．2．7 基于CS-PSO的P2P流量特征选择实验分析
6．3 基于CS-PSO和SⅥⅥ的P2P流量识别方法
6．3．1 基于SVM的P2P流量识别方法
6．3．2 SVM参数优化概述
6．3．3 基于GA的SVM参数优化方法
6．3．4 基于CS的SVM参数优化方法
6．3．5 基于PSO的SVM参数优化方法
6．3．6 基于CS-PSO的SVM参数优化方法
6．3．7 基于CS-PSO和SVM的P2P流量识别实验分析
参考文献
第7章 基于菌群优化算法和小波SVM的P2P流量识别
7．1 菌群优化算法基本原理
7．1．1 趋化
7．1．2 复制
7．1．3 驱散
7．1．4 菌群优化算法基本流程
7．2 基于菌群优化算法的SVM参数优化方法
7．2．1 基于菌群优化算法的SVM优化方法
7．2．2 基于菌群优化算法的SVM参数优化
7．3 基于菌群优化算法的SVM参数优化实验分析
7．4 基于菌群和小波SVM的P2P流量识别
7．4．1 基于小波核函数的SVM算法
7．4．2 基于菌群和小波SVM的P2P流量识别的步骤
7．5 基于菌群优化算法和小波SVM的P2P流量识别实验分析
参考文献
第8章 基于人工蜂群算法和小波SVM的P2P流量识别
8．1 人工蜂群算法基本原理
8．2 基于人工蜂群算法的P2P流量特征选择方法
8．3 基于人工蜂群算法的P2P流量特征选择实验分析
8．4 基于人工蜂群算法的SVI订参数优化方法
8．5 基于人工蜂群算法和小波SVM的P2P流量识别实验分析
参考文献
-
内容简介:
随着计算机网络的发展与对等网络的应用，P2P流量已经成为网络流量中主要的组成部分-P2P应用带来网络发展繁荣的同时，也带来矛盾和挑战，有必要对-P2P流量的进行控制和管理，首要问题便是实现对P2P流量的识别。
《P2P流量识别》主要包括如下内容：P2P流量识别方法概述，基于DPI抽样的P2P流量识别，基于DPI信任抽样的P2P流量识别，基于DFI-SVM模型的P2P流量识别，基于DPUDFI结合的P2P流量识别，基于CS-PSO和SVM的P2P流量识别，基于菌群优化算法和小波SVM的P2P流量识别，基于人工蜂群算法和小波SVM的P2P流量识别。
《P2P流量识别》可作为计算机科学与技术、网络工程与信息安全等相关专业研究生及高年级本科生的教材，也可作为科研人员的参考书，还可作为研究生、博士生及教师论文写作的参考书。
-
目录:
第1章 P2P流量识别方法概述
1．1 P2P网络的发展及特点
1．1．1 P2P网络的发展
1．1．2P2P网络的特点
1．2 P2P流量识别方法
1．2．1 基于端口号的识别方法
1．2．2 基于深层数据包的识别方法
1．2．3 基于流量特征的识别方法
1．2．4 基于机器学习的识别方法
参考文献
第2章 基于DPI抽样的P2P流量识别
2．1 字符串匹配算法
2．1．1 AC算法
2．1．2 Wu．Manber算法
2．1．3 SBOM算法
2．2 字符串匹配算法实验分析
2．2．1 实验环境
2．2．2 特征码生成随机算法
2．2．3 字符串强制长度匹配
2．2．4 实验结果
2．2．53 种算法比较
2．3 DPI抽样模型
2．4 DPI抽样策略
2．4．1 抽样对象的选择
2．4．2 抽样分片
2．4．3 抽样方式
2．4．4 抽样策略组合及算法
2．5 基于DPI抽样的P2P流量识别实验分析
2．5．1 测试环境
2．5．2 测试对象及设置
2．5．3 测试方式
2．5．4 测试结果及分析
参考文献
第3章 基于DPI信任抽样的P2P流量识别
3．1 基于信任度抽样的P2P流量识别
3．1．1 技术方案
3．1．2 策略具体实施方式
3．1．3 新型深度扫描模型的具体应用
3．2 基于二阶信任抽样的P2P流量识别
3．2．1 二阶随机抽样信任策略
3．2．2 二阶蓄水池抽样算法
3．2．3 实验结果分析
参考文献
第4章 基于DFI-SVM模型的P2P流量识别
4．1 SVM订简介
4．1．1 SVM设计思想
4．1．2 SVM训练算法
4．1．3 SVM分类模型
4．1．4 SVM反馈增量学习
4．2 SVM算法的核函数选择
4．2．1 核函数选择原则
4．2．2 RBF核函数
4．3 基于SⅥⅥ算法的DFI在线流量识别模型
4．3．1 SVM算法在P2P流量识别中的应用现状
4．3．2 基于SVM算法的DFI流量识别模型结构
4．4 网络流量特征选择
4．4．1 P2P流量特征提取和选择
4．4．2 基于口和IP-Port的P2P流量模式
4．5 实验环境与界面
4．6 实验结果分析
4．6．1 IP模式测试
4．6．2 IP-Port模式测试
4．6．3 IP模式对比IP-Port模式
4．6．4 IP和IP．Port协同模式测试
参考文献
第5章 基于DPI-DFI结合的P2P流量识别
5．1 DPI/DFI结合思想
5．2 DPI/DFI结合的P2P流量识别系统设计
5．2．1 软件结构设计
5．2．2 逻辑结构设计
5．2．3 协同策略设计
5．3 关键技术问题
5．3．1 缓解掉包问题
5．3．2 快速装载DPI特征库及高速命中
5．3．3 流量统计信息结构体设计及控制
5．3．4 UCHAR与CHAR
5．4 实验环境与界面
5．4．1 实验环境
5．4．2 系统抓包
5．4．3 DPI测试
5．4．4 DFI测试
5．4．5 DPI/DFI协同测试
参考文献
第6章 基于CS-PSO和SVM的P2P流量识别
6．1 相关算法基本原理
6．1．1 遗传算法
6．1．2 杜鹃搜索算法
6．1．3 粒子群算法
6．1．4 融合杜鹃搜索的粒子群算法
6．2 cs．PsO的P2P流量特征选择方法
6．2．1 P2P流量特征概述
6．2．2 特征选择概述
6．2．3 基于GA的P2P流量特征选择方法
6．2．4 基于CS的P2P流量特征选择方法
6．2．5 基于PSO的P2P流量特征选择方法
6．2．6 基于CS-PSO的P2P流量特征选择方法
6．2．7 基于CS-PSO的P2P流量特征选择实验分析
6．3 基于CS-PSO和SⅥⅥ的P2P流量识别方法
6．3．1 基于SVM的P2P流量识别方法
6．3．2 SVM参数优化概述
6．3．3 基于GA的SVM参数优化方法
6．3．4 基于CS的SVM参数优化方法
6．3．5 基于PSO的SVM参数优化方法
6．3．6 基于CS-PSO的SVM参数优化方法
6．3．7 基于CS-PSO和SVM的P2P流量识别实验分析
参考文献
第7章 基于菌群优化算法和小波SVM的P2P流量识别
7．1 菌群优化算法基本原理
7．1．1 趋化
7．1．2 复制
7．1．3 驱散
7．1．4 菌群优化算法基本流程
7．2 基于菌群优化算法的SVM参数优化方法
7．2．1 基于菌群优化算法的SVM优化方法
7．2．2 基于菌群优化算法的SVM参数优化
7．3 基于菌群优化算法的SVM参数优化实验分析
7．4 基于菌群和小波SVM的P2P流量识别
7．4．1 基于小波核函数的SVM算法
7．4．2 基于菌群和小波SVM的P2P流量识别的步骤
7．5 基于菌群优化算法和小波SVM的P2P流量识别实验分析
参考文献
第8章 基于人工蜂群算法和小波SVM的P2P流量识别
8．1 人工蜂群算法基本原理
8．2 基于人工蜂群算法的P2P流量特征选择方法
8．3 基于人工蜂群算法的P2P流量特征选择实验分析
8．4 基于人工蜂群算法的SVI订参数优化方法
8．5 基于人工蜂群算法和小波SVM的P2P流量识别实验分析
参考文献
查看详情
-
九品
北京市昌平区
平均发货22小时
成功完成率86.94%
-
全新
河北省保定市
平均发货22小时
成功完成率87.43%
-
P2P流量识别
正版图书，可开发票。一百二十万商品，一件代发，欢迎私聊
全新
河北省保定市
平均发货18小时
成功完成率81.3%
-
全新
河北省保定市
平均发货18小时
成功完成率80.34%
-
全新
河北省廊坊市
平均发货24小时
成功完成率86.16%
-
全新
河北省保定市
平均发货20小时
成功完成率85.97%
-
全新
河北省保定市
平均发货31小时
成功完成率86.44%
-
全新
北京市房山区
平均发货32小时
成功完成率83.63%
-
全新
山东省济南市
平均发货7小时
成功完成率93.34%
-
全新
河北省保定市
平均发货24小时
成功完成率79.88%
-
全新
河北省保定市
平均发货17小时
成功完成率81.63%
-
全新
河北省保定市
平均发货16小时
成功完成率84.09%
-
九五品
河北省保定市
平均发货12小时
成功完成率69.23%
-
全新
北京市丰台区
平均发货15小时
成功完成率81.93%
-
全新
河北省保定市
平均发货24小时
成功完成率90.42%
-
全新
河北省保定市
平均发货31小时
成功完成率86.07%
-
全新
广东省广州市
平均发货19小时
成功完成率86.84%
-
全新
河北省保定市
平均发货28小时
成功完成率90.84%
-
全新
河北省保定市
平均发货28小时
成功完成率92.55%
-
全新
北京市丰台区
平均发货33小时
成功完成率85.94%
-
全新
湖南省邵阳市
平均发货3小时
成功完成率87.56%
-
九五品
山东省济南市
平均发货8小时
成功完成率90.6%
-
全新
河北省保定市
平均发货32小时
成功完成率72.93%
-
九品
北京市昌平区
平均发货16小时
成功完成率89.57%
占位居中
