[发明专利]SDN环境下基于BP神经网络的P2P流量检测方法

权利要求书

1.一种SDN环境下基于BP神经网络的P2P流量检测方法,其特征在于包括如下步骤：

步骤1)在SDN环境下构建BP神经网络模型，所述BP神经网络模型的输入包括用于区分P2P流量的特征，BP神经网络模型的输出为P2P流量检测结果；

步骤2)通过设定的归一化公式将所述特征直接带入神经网络进行训练；

步骤3)通过Sigmoid激活函数决定神经网络的每一个节点的最终输出值；

步骤4)重复步骤2)步骤3)随着训练代数的增加，当当前的输出结果和前一次的输出结果误差逼近至一常数时，神经网络完成收敛，BP神经网络模型完成训练，并将完成训练的BP神经网络模型分析检测其余的数据。

2.根据权利要求1所述的SDN环境下基于BP神经网络的P2P流量检测方法，其特征在于所述步骤1)中用于区分P2P流量的特征包括五个维度，分别是平均包大小、平均流持续时间、流量大小、交互的IP数量以及端口数量。

3.根据权利要求2所述的SDN环境下基于BP神经网络的P2P流量检测方法，其特征在于主机端口号分布大于1024设定为P2P流量行为。

4.根据权利要求1所述的SDN环境下基于BP神经网络的P2P流量检测方法，其特征在于所述P2P流量检测结果为两个，分别为10和01编码输出，10表示神经网络的输出不是P2P流量，01表示神经网络的输出是P2P流量。

5.根据权利要求1所述的SDN环境下基于BP神经网络的P2P流量检测方法，其特征在于所述归一化公式如式(1)：

δ=Value-MinValueMaxValue-MinValue+1---(1)]]>

式中，Value当前需要处理的值，MinValue表示在当前属性列当中所有值的最小值，MaxValue表示在当前属性列当中所有值的最大值,δ表示变化梯度。

6.根据权利要求1所述的SDN环境下基于BP神经网络的P2P流量检测方法，其特征在于所述BP神经网络模型中各个神经元的激活函数用Sigmoid型函数表示，并用所述激活函数计算的结果来影响下一层节点的输入如式(2)：

f(x)=11+e-x---(2)]]>

其中e表示自然常数，x表示神经网络某一节点的输入值；

BP神经网络H_o的实现算法如式(3)：

Ho=f(Σi=1mwiopi)---(3)]]>

初始化各连接权值，使其被随机赋值为(-1，1)之间的数，隐层输出的值为H_o，其中o表示隐层的第o个节点，对于输入训练集<P_iO_j>，P_i输入的数值化特征，O_j表示最终希望得出的结果，i的取值范围是1,2,3…n，则n表示输入特征的种类数目，j表示输出结果的编码位数，输入层与隐层、隐层与输出层之间的连接权值用W_io表示，i表示前一层的第i个节点，o表示后一层的第几个节点，设定i的取值范围是1,2,3…n，则n表示输入特征的种树，j的取值范围为1,2,3…m，m表示输出结果的编码位数；

输出层节点的输出值如式(4),其中o表示隐层的第o个节点，on表示隐层第o个节点以及输出层第n个节点的连接：

On=f(Σi=1swonHo)---(4)]]>

式(4)中，x表示隐层节点的输出值；

下降梯度为；

δ=1x---(5)]]>

权值的更新公式为：

w(t)＝w(t+1)+δεO_n(6)

δ表示变化梯度，ε表示学习率，t表示代数。