[发明专利]基于特征关联的对等网络特征分析方法

说明书

技术领域

本发明涉及网络信息安全领域，具体涉及一种对等网络(Peer-to-Peer networking，P2P)特征分析方法。

背景技术

目前，对等网络应用在Internet网络上的广泛流行，已成为互联网主流应用技术。对对等网络特征的测量、提取与分析，能够有效指导新型P2P协议的设计与实现，并能够对于规模互联网络安全事件的检测与预警提供可靠的数据保障。对等网络系统具有大规模复杂性、强动态性、以及时空演进特性等特征。而从目前技术发展状况来看，绝大部分研究均局限于某个或某部分较为单一的网络特征的测量与分析，且测量与分析方法还存在较大的局限性。然而，大量研究表明，单纯将一部分特征割裂开来，进行单一角度、单一层次的检测分析，而不是从宏观上把握整个网络的特征，从中得到的结论往往不够全面准确，致使难以很好反映对等网络系统的真实状态，甚至出现特征偏差。此外，随着研究的不断深入，一些新的网络特征也不断被提出来。这要求我们必须从网络的时空静态、动态特征，宏观、微观行为特征，以及用户偏好特征等多个方面进行分析，通过关联各层次特征，找到这些特征的相互内在联系，发现对等网络系统的潜在隐藏特征。

发明内容

为了克服现有方式方法测量手段单一、测量数据片面的问题，在分析归类当前主流对等网络的基础上，研究具备人工智能与自主学习能力的对等网络特征挖掘技术，建立对等网络主被动测量相结合的监测体系，从对等网络结构、消息流量、用户行为等多个层次，综合发现对等网络的新特征、隐藏特征，通过对对等网络监测结果时间、空间特征的跟踪分析，建立对等网络在上述各个特征层面上的演进规律模型，并探索对等网络应用综合特征分析算法，实现了多层次、多特征的监测和分析。

本发明主要解决了两个问题：

(1)建立了对等网络环境下性能参数测量体系，准确提取对等网络的多个重要特性，从结构特征、流量特征、以及用户行为特征等多个层次对对等网络性能指标进行监测；

(2)通过数据挖掘、机器学习等技术，建立了对等网络质量评价分析模型，实现了对等网络特征与特性的准确把握，从而为对等网络大规模安全事件应急响应提供基本的数据保障。

本发明具有以下特点：

(1)测量算法具有高效性和实时性，能实时监测当前对等网络的性能指标；

(2)具有自主学习能力，减少了人工干预；

(3)弥补了传统的基于单一特征的测量分析方法缺点，使得测量分析结论更可靠；

(4)具备数据挖掘能力，能够发现对等网络隐藏特征。

附图说明

图1为整体框架流程图；

图2为基本网络特征示意图；

图3为网络重绘示意图；

图4为复杂网络特征示意图。

具体实施方式

本发明整体框架流程如下：

一、对网络特征参数进行测量与统计。

一般而言，对等网络抽象协议可描述如下：

1.加入对等网络。节点v连接D个缓存点，缓存节点的选择可以采用随机选择策略或其它更为复杂的选择策略。

2.邻居重连。当节点v的邻居离开网络后，节点v将选择新的缓存节点作为其邻居，缓存节点的选择策略可以是随机选择或更为复杂的策略。

3.缓存节点替换。当缓存节点v的邻居数超过C，或者离开对等网络，需要选择其它节点(非缓存节点)作为新的补充。设vk是缓存节点集合中第k个节点，则选择的基本策略是：

k＝0；

while(没有找到一个非缓存节点){

    在节点v_k的邻居中寻找一个非缓存节点；

    k++；}

4.邻居信息报告。当节点v收到邻居信息请求消息时，v将自己当时所有邻居的地址信息，以及自己的相关信息一同发送给请求者。

而对等网络主动测量过程可以描述为：

1.预先收集对等网络入口节点(缓存节点)的地址信息，将其保存到队列Q中。其中，队列Q中的元素是唯一的。

2.从队列Q中每次取出m个未访问的节点，获取这些节点的信息以及其k个邻居地址信息。

3.将k个邻居节点地址信息保存到队列尾部，保存m个节点的邻居关系。

4.重复第2步，直到访问完队列Q中的所有节点或访问了网络中ε比例的节点。采用多点并行分布式测量策略，以及，提高了测量速度，减少了测量误差。