一种新型P2P流媒体协议及其流量模型研究

J4 ›› 2014, Vol. 36 ›› Issue (11): 2100-2105.

一种新型P2P流媒体协议及其流量模型研究

季一木1,2，袁永阁1，张苏锐1

（1.南京邮电大学计算机学院，江苏南京 210023;2.南京邮电大学先进技术研究院，江苏南京 210023）

收稿日期:2014-06-05 修回日期:2014-08-15 出版日期:2014-11-25 发布日期:2014-11-25
基金资助:
江苏省自然科学基金青年基金资助项目(BK20130876);中国博士后基金资助项目(2013M541702);江苏省未来网络项目（BY2013095403）;国家自然科学基金资助项目（61170065，61373017）

A noval P2P streaming protocol and its traffic model

JI Yimu1,2,YUAN Yongge1,ZHANG Surui1

（1.School of Computer Science & Technology,Nanjing University of Posts and Telecommunications,Nanjing 210023;
2.Institute of Advanced Technology,Nanjing University of Posts and Telecommunications,Nanjing 210023,China）

Received:2014-06-05 Revised:2014-08-15 Online:2014-11-25 Published:2014-11-25

摘要/Abstract

摘要：

针对FlashP2P技术，对其RTMFP协议进行了深入分析，提出了一种基于RTMFP包检测的FlashP2P流量识别算法，并采用该算法对国内主流视频网站的FlashP2P流进行了有效的识别。在此基础上，对FlashP2P流量特征进行分析并证明其具有自相似性。最后，提出了一种基于ARIMA模型的经验模式分解预测自相似网络流量的方法，而且进行了仿真验证。结果表明，该模型不仅降低了算法的复杂度，并且对短期预测精度较高。

关键词: FlashP2P, 流量识别, EMD, 流量预测

Abstract:

The RTMFP protocol of FlashP2P technique is analyzed in detail and a FlashP2P traffic recognition algorithm based on RTMFP packet detection is proposed.The algorithm is used to effectively identify the FlashP2P streams of the domestic mainstream video sites. On this basis,the characteristics of FlashP2P flow are analyzed and their selfsimilarity is proved.Finally, based on the empirical mode decomposition of the ARIMA, we build a model to predict the selfsimilar network traffic. The simulation results show that the model not only reduces the complexity of the algorithm but also has high shortterm forecast accuracy.

Key words: FlashP2P;traffic identification;EMD;traffic forecasting

季一木1,2，袁永阁1，张苏锐1. 一种新型P2P流媒体协议及其流量模型研究[J]. J4, 2014, 36(11): 2100-2105.

JI Yimu1,2,YUAN Yongge1,ZHANG Surui1. A noval P2P streaming protocol and its traffic model [J]. J4, 2014, 36(11): 2100-2105.

[1]	王堃, 李少波, 何玲, 周鹏. 基于改进北方苍鹰优化随机配置网络的网络流量预测模型[J]. 计算机工程与科学, 2024, 46(07): 1245-1255.
[2]	范韫. 基于EMD距离的稀疏自编码器[J]. 计算机工程与科学, 2022, 44(05): 894-900.
[3]	崔弘, 赵双, 张广胜, 苏金树. 基于机器学习的移动代理应用流量识别方法[J]. 计算机工程与科学, 2022, 44(04): 654-664.
[4]	张培玲, 李小真, 崔帅华. 基于改进小波阈值-CEEMDAN算法的ECG信号去噪研究[J]. 计算机工程与科学, 2020, 42(11): 2067-2072.
[5]	赵双,陈曙晖. 基于机器学习的流量识别技术综述与展望[J]. 计算机工程与科学, 2018, 40(10): 1746-1756.
[6]	李洪珠，孙佳月. 一种基于EEMD的新型谐波误差分析策略[J]. J4, 2016, 38(04): 820-826.
[7]	张立仿，张喜平. 量子遗传算法优化BP神经网络的网络流量预测[J]. J4, 2016, 38(01): 114-119.
[8]	刘渊，黄世忠. 小波变换与GARCH组合模型的网络流量预测[J]. J4, 2014, 36(04): 615-619.
[9]	王宇科1，黎文伟2，苏欣2. 基于改进分簇算法的网络流量识别方法[J]. J4, 2011, 33(11): 10-14.
[10]	盘善荣, 傅明, 史长琼. 支持向量机在P2P流量识别中的应用[J]. J4, 2010, 32(2): 38-40.
[11]	白燕[1] 马光思[2]. 基于灰色径向基神经网络模型的流量预测与分析[J]. J4, 2008, 30(10): 122-124.
[12]	张晓初[1] 冯悦[2] 陈依群[1] 吴伟航[1] 周建军[1] 陈斌[1]. 应用级流量测量系统IPTMAS[J]. J4, 2007, 29(5): 37-40.