季一木，袁永閣，張?zhí)K銳

(1.南京郵電大學(xué)計算機學(xué)院，江蘇 南京 210023;2.南京郵電大學(xué)先進技術(shù)研究院，江蘇 南京 210023)

一種新型P2P流媒體協(xié)議及其流量模型研究*

季一木1,2，袁永閣1，張?zhí)K銳1

(1.南京郵電大學(xué)計算機學(xué)院，江蘇 南京 210023;2.南京郵電大學(xué)先進技術(shù)研究院，江蘇 南京 210023)

針對FlashP2P技術(shù)，對其RTMFP協(xié)議進行了深入分析，提出了一種基于RTMFP包檢測的FlashP2P流量識別算法，并采用該算法對國內(nèi)主流視頻網(wǎng)站的FlashP2P流進行了有效的識別。在此基礎(chǔ)上，對FlashP2P流量特征進行分析并證明其具有自相似性。最后，提出了一種基于ARIMA模型的經(jīng)驗?zāi)Ｊ椒纸忸A(yù)測自相似網(wǎng)絡(luò)流量的方法，而且進行了仿真驗證。結(jié)果表明，該模型不僅降低了算法的復(fù)雜度，并且對短期預(yù)測精度較高。

FlashP2P；流量識別；EMD；流量預(yù)測

1 引言

當下視頻業(yè)務(wù)傳輸主要基于CDN網(wǎng)絡(luò)、P2P網(wǎng)絡(luò)或兩者混合的網(wǎng)絡(luò)結(jié)構(gòu)，P2P流媒體技術(shù)在大大降低內(nèi)容提供商的硬件成本和帶寬租賃成本的同時，有效提高了視頻業(yè)務(wù)的QoS?；赪eb的Flash平臺于10.0版本開始使用支持P2P技術(shù)的實時流媒體傳輸協(xié)議RTMFP(Real Time Media Flow Protocol)。然而，P2P流媒體技術(shù)產(chǎn)生了巨大的網(wǎng)絡(luò)流量，對于網(wǎng)絡(luò)運營商而言，為了對其進行有效管理，研究FlashP2P流量的識別及其建模的方法就成為一個重要的課題。

P2P流量識別是對P2P流量進行研究建模的基礎(chǔ)和前提。基于深層數(shù)據(jù)包檢測DPI(Deep Packet Inspection)技術(shù)往往需要對P2P應(yīng)用的傳輸協(xié)議進行深入分析，如Zhao Rui等人[1]提出Gnutella、KazaA、DirectConnect、BitTorrent和eDonkey等五種P2P應(yīng)用的流量特征。模式匹配算法在DPI技術(shù)中具有重要作用，文獻[2]綜合分析了單模式匹配算法BM、BHM以及QS算法的優(yōu)點，并設(shè)計了新的用于P2P網(wǎng)絡(luò)流量識別的改進算法。P2P網(wǎng)絡(luò)行為特征主要包括對等體的連接模式、流行度、擾動性等[3]，基于這些特征的P2P流量識別經(jīng)典算法有：利用P2P的連接模式來識別算法的PTP算法[4]以及Gallagher B等人[5]提出的計算應(yīng)用層連接同質(zhì)性的算法，但其不能細化到具體的P2P傳輸協(xié)議[3]。基于統(tǒng)計學(xué)習(xí)算法的識別技術(shù)主要依賴于P2P流量的數(shù)據(jù)包級和數(shù)據(jù)流級特征。 P2P流量識別常用的機器學(xué)習(xí)算法有無監(jiān)督學(xué)習(xí)的K均值聚類[6]、GMM和HMM等聚類方法[7]和監(jiān)督學(xué)習(xí)的貝葉斯核估計算法[8]、支持向量機算法[9]等。由于Flash的相關(guān)技術(shù)一般是Adobe公司私有，對RTMFP協(xié)議[10]和FlashP2P技術(shù)的相關(guān)研究很少，也不夠深入[11]，因此對FlashP2P網(wǎng)絡(luò)流量的識別帶來了困難。

網(wǎng)絡(luò)流量模型通常用于描述網(wǎng)絡(luò)流量的特征，特定的網(wǎng)絡(luò)流量模型還可以用于流量預(yù)測。傳統(tǒng)的網(wǎng)絡(luò)流量模型有泊松模型、馬爾可夫模型和回歸模型等，但這些模型僅適合描述具有短相關(guān)性的網(wǎng)絡(luò)流量。研究發(fā)現(xiàn)，當下的網(wǎng)絡(luò)流量普遍表現(xiàn)出自相似性和長相關(guān)性，基于自相似性的流量模型有重尾分布的ON/OFF模型、M/G/∞排隊模型以及能夠描述多尺度特性的小波模型等[12]。近年來隨著智能算法的不斷發(fā)展，如基于人工神經(jīng)網(wǎng)絡(luò)的模型[13]、基于混沌理論的模型[14]和基于模糊理論的模型[15]等也被應(yīng)用于網(wǎng)絡(luò)流量的建模。

本文主要內(nèi)容如下：第2節(jié)主要研究FlashP2P流量的檢測方法，在分析RTMFP報文結(jié)構(gòu)的基礎(chǔ)上提出RTMFP包檢測算法，并結(jié)合國內(nèi)視頻網(wǎng)站非標RTMFP報文載荷特征給出具有較高識別精確度的FlashP2P流量的識別方法；第3節(jié)主要對抓取的FlashP2P流量建立EMD-ARMA和EMD-ARIMA模型，并對FlashP2P流量進行短期預(yù)測；第4節(jié)作了總結(jié)。

2 RTMFP協(xié)議研究

2.1 RTMFP報文特征分析

RTMFP是基于UDP的實時傳輸協(xié)議，傳輸過程中要求必須加密，加密后的RTMFP包載荷部分數(shù)據(jù)格式如圖1所示。

RTMFP數(shù)據(jù)包可以分為兩個部分：前四個字節(jié)是加擾的會話標志SSID(Scrambled Session ID)，從第五個字節(jié)開始是用AES128 CBC方式加密的報文。 原始的會話標志SID(SessionID)是一個32位無符號整數(shù)，SSID由SID與加密部分的前兩個32位字段按位異或形成，公式如下：

031SSIDEncryptedPart[0]EncryptedPart[1]…

Figure 1 Encrypted RTMFP packet

圖1 加密后的RTMFP包

SSID=SID⊕(Encrypted_Part[0])⊕

(Encrypted_Part[1])

(1)

說明：

(1)連接建立的前兩次握手階段，SSID均為0。

(2)從第三次握手開始，雙方需要告知對方一個確定的SID，此后，對方發(fā)來的所有RTMFP包，都必須采用這個SID。兩個方向(Send/Receive)是兩個SID，它們可以不同。

(3)由于采用128位塊加密的方式，所以加密部分的位數(shù)必須是128的整數(shù)倍。若不滿足，則RTMFP包內(nèi)部就會產(chǎn)生Padding，以達到這一要求。

2.2 RTMFP包檢測算法

上一節(jié)介紹了傳輸過程中加密的RTMFP包的包文特征，在此基礎(chǔ)上可以建立RTMFP包的檢測算法。從抓取的網(wǎng)絡(luò)流量P中提取FlashP2P流量的算法如下：

步驟1根據(jù)IP數(shù)據(jù)包中0x11字段從抓包文件P中篩選出UDP包，再根據(jù)常用端口號剔除其中DNS、DHCP等基于UDP協(xié)議的包集合Q。

步驟2從剩余的UDP包集合P-Q中按抓取的時間順序讀入一個包，從載荷部分的第五個字節(jié)開始，檢測剩余部分位數(shù)能否被128整除。若能，則判定為RTMFP包，轉(zhuǎn)步驟3；否則判定為非RTMFP包，并重新讀入。

步驟3判斷SSID字段是否等于0，若等于0則說明該包為RTMFP的控制包，轉(zhuǎn)步驟4；否則為正常通信包，轉(zhuǎn)步驟5。

步驟4建立RTMFP包五元組(源IP，目的IP，RTMFP包長度，加密部分長度，SSID)，并將布爾型SSID置0，轉(zhuǎn)步驟2。

步驟5建立RTMFP包五元組(源IP，目的IP，RTMFP包長度，加密部分長度，SSID)，并將布爾型SSID置1，轉(zhuǎn)步驟2。

2.3 Flash P2P流量識別

上一節(jié)介紹了RTMFP包的檢測方法，經(jīng)在南郵校園網(wǎng)環(huán)境下驗證，該方法平均可以檢測出100%的攜帶視頻數(shù)據(jù)的RTMFP包和96%以上的RTMFP通信包，具有相當高的準確率。但是，由于AES128 CBC加密方式被廣泛采用，實際檢測出的數(shù)據(jù)包有包含非RTMFP視頻包的可能，所以該RTMFP包的檢測方法存在一定的誤報率。

為了解決這一問題，對國內(nèi)采用Flash平臺作為播放器的視頻網(wǎng)站，如愛奇藝、優(yōu)酷、搜狐等進行抓包分析，發(fā)現(xiàn)各視頻網(wǎng)站根據(jù)RTMFP標準協(xié)議制訂了各自私有的非標RTMFP傳輸協(xié)議，協(xié)議實現(xiàn)細節(jié)被加密屏蔽。但是，從攜帶視頻數(shù)據(jù)的RTMFP包的載荷部分長度可以看出，各視頻網(wǎng)站的協(xié)議實現(xiàn)并不完全相同，如表1所示。

Table 1 Load length of some domestic videosites RTMFP video packets表1 國內(nèi)部分視頻網(wǎng)站RTMFP視頻包的載荷長度

因此，在FlashP2P流量識別的過程中，可以通過上述RTMFP包的檢測方法結(jié)合RTMFP包載荷長度等信息的方式，來提高FlashP2P流量識別的精確度，同時降低誤報率。

3 FlashP2P流量建模

3.1 FlashP2P流量基本特征

本節(jié)將對FlashP2P網(wǎng)絡(luò)流量進行建模，用于預(yù)測未來一段時間內(nèi)FlashP2P流量的變化趨勢，以便合理有效地管控FlashP2P流量。在南郵校園網(wǎng)一臺帶寬為1 Gbps的服務(wù)器端抓取網(wǎng)絡(luò)數(shù)據(jù)包，利用前述FlashP2P流量識別方法從中提取RTMFP包，即得到其中的FlashP2P流量。本文主要針對FlashP2P流量做短期預(yù)測，故抓包時長選為1小時，時間粒度取60 s，得到FlashP2P流量時序F(t)(t=1,2,…,60),如圖2所示。

由圖2，對FlashP2P流量采用帶常數(shù)項和趨勢項的ADF模型進行檢驗[16]，在各顯著性水平下均接受單位根存在的原假設(shè)，說明流量時間序列F(t)是顯著非平穩(wěn)的。

Paxson V和Floyd S[17]提出，不同時間粒度的網(wǎng)絡(luò)流量服從不同的行為規(guī)律，其中秒級時間粒度的流量行為體現(xiàn)出自相似性，所測流量F(t)恰好符合這一時間粒度。網(wǎng)絡(luò)流量的自相似性可以由Hurst指數(shù)描述，若Hurst指數(shù)在(0.5,1)，則說明流量序列具有自相似性，Hurst指數(shù)越大說明流量序列的自相似(長相關(guān))程度越高，突發(fā)性也越強[18]。通過R/S分析法估算F(t)的Hurst值，得到HurstFt=0.717，可以認為F(t)具有自相似性。

3.2 FlashP2P流量分解

經(jīng)驗?zāi)B(tài)分解[19]是將原始數(shù)據(jù)在不同的時間尺度上分解為若干本證模態(tài)函數(shù)IMF(Intrinsic Mode Functions)，各IMF分量包含原數(shù)據(jù)的不同時間局部特征。IMF滿足如下條件：

(1) 每個IMF信號的極值點數(shù)目與穿過零點的數(shù)目必須相等或者至多相差一個；

(2) 在任一時間點上，IMF信號的局部最大值與局部最小值所定義的信號包絡(luò)的均值為零。

對獲取的FlashP2P流量序列F(t)做EMD分解，得到四個IMF分量和一個趨勢項r(t)，如圖3所示。為了敘述方便，這里將殘差項記為IMF5。由圖3可知，IMF1至IMF5頻率遞減，確定性遞增，其中IMF1隨機性最強。

Figure 3 IMFs of F(t)圖3 F(t)EMD分解后的IMFs

根據(jù)EMD分解原理，可知其可以將長相關(guān)的流量轉(zhuǎn)化成短相關(guān)。對IMF分別做ADF檢驗并用R/S分析法估算Hurst指數(shù)，結(jié)果顯示，除IMF1外，其余IMF的Hurst指數(shù)的估計值均小于0.5。由圖觀察可知，IMF2～IMF4的圖形越來越接近正弦曲線的一部分，因此不可能具有自相似性，文獻[20]給出了EMD分解可以消除流量序列的長相關(guān)性的數(shù)學(xué)證明。

3.3 FlashP2P流量模型

3.3.1 EMD-ARMA(p,q)模型

自回歸滑動平均ARMA(Auto Regression-Moving Average)模型，如下式：

(2)

其中，φi為自回歸系數(shù)，θj為移動平均系數(shù)，白噪聲εt～W(0,σ2),θ0=1，c為常數(shù)。為了使序列平穩(wěn)，還必須保證下面的特征多項式在單位圓內(nèi)沒有根：

(3)

確定ARMA(p,q)模型的過程就是確定p和q的階數(shù)，選取使AIC、BIC達到最小值的階數(shù)，從而確定模型。

以抓取的FlashP2P流量序列F(t)為例建立EMD-ARMA(p,q)模型，即對經(jīng)過EMD分解的IMF分別采用ARMA建模。為量化模型預(yù)測精度，考慮到各IMF分量幅度不同，定義標準化均方誤差NMSE(Normalized Mean Square Error)作為評價標準,分別計算各IMF分量的NMSE值，如圖4所示。從圖4a中可以看出，IMF2～IMF5的NMSE值均趨近于零，但IMF1的NMSE值接近0.5，表明IMF1擬合效果較差，IMF2～IMF5的擬合效果都比較好。這主要是因為IMF1包含最多的隨機高頻信息，為了降低IMF1的建模誤差，可以采取差分的辦法進一步使流量序列平穩(wěn)化，以提高擬合精度。

Figure 4 NMSE圖4 NMSE

3.3.2 EMD-ARIMA(p,d,q)模型

求和自回歸滑動平均ARIMA(Auto Regressive Integrated Moving Average)模型，如下式：

(4)

其中，φ(B)=1-φ1B-…-φpBp,|B|≤1；θ(B)=1-θ1B-…-θpBp,|B|≤1。B為后移算子，即BXt=Xt-1,=(1-B)為差分算子,d=(1-B)d為分數(shù)差分算子。

對上述FlashP2P流量序列F(t)分解得到的IMF1建立EMD-ARIMA(p,d,q)模型，并分別計算不同階數(shù)下的NMSE值，得到圖4b,其中DIMF1表示差分后的IMF1。圖中顯示，NMSE值呈現(xiàn)先減后增的趨勢，且d=2時的NMSE值最低。于是建立d=2的EMD-ARIMA(p,d,q)模型如圖5所示,Unit表示分解后加總的流量值。

Figure 5 EMD-ARMA model of D2IMF1圖5 D2IMF1的EMD-ARMA模型

顯然，還可以用EMD-ARIMA(p,d,q)模型對IMF2～IMF5進行建模以提高精度，這里不再贅述。至此，F(xiàn)lashP2P的流量模型建立完畢，建模結(jié)果及殘差見圖6。

Figure 6 EMD-ARIMA forecasting model圖6 EMD-ARIMA預(yù)測模型

3.4 FlashP2P流量預(yù)測

下面利用F(t)的數(shù)值的前60-n個值作為輸入，按上述模型進行建模，采用迭代法分別作n(n=1,2,…,5)步預(yù)測，對預(yù)測值計算均方誤差MSE(Mean Square Error)，得到表2。

Table 2 MSE表2 MSE

從表2可以看出，隨著預(yù)測步數(shù)的增加，MSE值也不斷增加，預(yù)測結(jié)果在可接受范圍內(nèi)。

4 結(jié)束語

本文對RTMFP協(xié)議的分析進行了深入分析，提取出RTMFP加密報文的載荷特征，在此基礎(chǔ)上提出基于RTMFP包檢測的FlashP2P流量識別算法，并對主流視頻網(wǎng)站FlashP2P流進行了抓取，驗證了算法的有效性。通過研究發(fā)現(xiàn)，F(xiàn)lashP2P流量具有自相似性，基于這一特性，對實驗室獲取的FlashP2P流量進行流量建模，并用EMD-ARIMA模型成功對FlashP2P流量進行了預(yù)測。本文提出的FlashP2P流量識別方法可以很好地識別FlashP2P流量，具有一定創(chuàng)新性，但由于國內(nèi)視頻網(wǎng)站采用基于RTMFP的私有協(xié)議，其載荷特征可能發(fā)生變化，因而本算法也存在一定的缺陷。此外，該模型對于具有自相似特性的網(wǎng)絡(luò)流量都可以進行有效短期預(yù)測，但長期預(yù)測的精度較低，有待改進。

[1] Zhao Rui.The study and implement of P2P flow identify based characteristic string[D]. Chengdu:University of Electronic Science and Technology of China, 2009.(in Chinese)

[2] Lu Gang, Zhang Hong-li, Ye Lin. P2P traffic identify[J]. Journal of Software,2011,22(6):1281-1298.(in Chinese)

[3] Sen S, Spatscheck O, Wang D M. Accurate, scalable in-network identification of P2P traffic using application signatures[C]∥Proc of the 13th International Conference on World Wide Web (WWW 2004), 2004:512-521.

[4] Karagiannis T,Broido A,Faloutsos M,et al.Transport layer identification of P2P traffic[C]∥Proc of the 4th ACM SIGCOMM Conference on Internet Measurement, 2004:1.

[5] Gallagher B,Iliofotou M,Eliassi-Rad T,et al.Link homophily in the application layer and its usage in traffic classification[C]∥Proc of the INFOCOM, 2010:1-5.

[6] Bernaille L, Teixeira R, Akodkenou I, et al. Traffic classification on the fly[J]. ACM SIGCOMM Computer Communication Review, 2006, 36(2):23-26.

[7] Bernaille L, Teixeira R, Salamatian K. Early application identification[C]∥Proc of the 2006 ACM CoNEXT Conference, 2006:1-12.

[8] Moore A W,Zuev D.Internet traffic classification using Bayesian analysis techniques[J]. ACM SIGMETRICS Performance Evaluation Review, 2005,33(1):50-60.

[9] Xu P, Liu Q, Lin S. Internet traffic classification using support vector machine[J]. Journal of Computer Research and Development, 2009,46(3):407-414.(in Chinese)

[10] Thornburgh M C. Adobe's secure real-time media flow protocol[EB/OL].[2014-05-01].http://tools.ietf.org/html/rfc7016.

[11] Kaufman M.RTMFP overview for IETF77 TSV AREA[EB /OL].[2014-05-01].http://www.ietf.org/proceedings/10mar/slides/tsvarea-1.pdf.

[12] Flandrin P.Wavelet analysis and synthesis of fractional Brownian motion[J]. IEEE Transactions on Information Theory, 1992,38(2):910-917.

[13] Liu J,Huang Y L.Nonlinear network traffic prediction based on BP neural network[J]. Journal of Computer Applications, 2007,27(7):1770-1772.(in Chinese)

[14] Lu J J, Wang Z Q. Prediction of network traffic flow based on chaos characteristics[J]. Journal of Nanjing University of Aeronautics & Astronautics, 2006,38(2):217-221. (in Chinese)

[15] Wang Z X, Sun Y G, Chen Z Q, et al. Study of predicting network traffic using fuzzy neural networks[J]. Journal on Communications, 2005,26(3):136-140.(in Chinese)

[16] Wang Li-ming,Wang Lian, Yang Nan. Application time sequence analysis[M].Shanghai:Publisher of University of Fudan,2009.(in Chinese)

[17] Paxson V,Floyd S. Wide-area traffic:The failure of Poisson modeling[J]. IEEE/ACM Transactions on Networking, 1995,3(3):226-244.

[18] Hong Fei, Wu Zhi-mei.Adaptive Hurst index estimator based on wavelet[J]. Journal of Software, 2005, 16(9):1685-1689.(in Chinese)

[19] Huang N E, Shen Z, Long S R. The empirical mode decomposition and the Hilbert spectrum for nonlinear and non-stationary time series analysis[C]∥Proc of Royal Soc London A, 1998:903-995.

[20] Gao Bo, Zhang Qin-yu, Liang Yong-sheng, et al. Predicting self-similar networking traffic based on EMD and ARMA [J]. Journal on Communications, 2011, 32(4):47-56.(in Chinese)

附中文參考文獻：

[1] 趙瑞.基于特征串的P2P流量識別研究與實現(xiàn)[D]. 成都：電子科技大學(xué)，2009.

[2] 魯剛,張宏莉,葉麟. P2P流量識別[J]. 軟件學(xué)報,2011,22(6):1281-1298.

[13] 劉杰，黃亞樓.基于BP神經(jīng)網(wǎng)絡(luò)的非線性網(wǎng)絡(luò)流量預(yù)測[J].計算機應(yīng)用，2007,27(7):1770-1772.

[14] 陸錦軍，王執(zhí)銓.基于混沌特性的網(wǎng)絡(luò)流量預(yù)測[J].南京航空航天大學(xué)學(xué)報，2006,38(2):217-221.

[15] 王兆霞，孫雨耕，陳增強，等.基于模糊神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)業(yè)務(wù)量預(yù)測研究[J].通信學(xué)報,2005,26(3):136-140.

[16] 王黎明,王連,楊楠.應(yīng)用時間序列分析[M].上海:復(fù)旦大學(xué)出版社,2009.

[18] 洪飛,吳志美. 基于小波的Hurst指數(shù)自適應(yīng)估計方法[J]. 軟件學(xué)報,2005,16(9):1685-1689.

[20] 高波,張欽宇,梁永生,等. 基于EMD及ARMA的自相似網(wǎng)絡(luò)流量預(yù)測[J]. 通信學(xué)報,2011,32(4):47-56.

JIYi-mu,born in 1978,PhD,associate professor,CCF member(E2000014042S)，his research interests include P2P network, cloud computing, and bigdata.

袁永閣(1992),男,江蘇徐州人，碩士生，研究方向為P2P網(wǎng)絡(luò)、云計算和大數(shù)據(jù)。E-mail:1196980536@qq.com

YUANYong-ge,born in 1992,MS candidate,his research interests include P2P network, cloud computing, and bigdata.

《計算機工程與科學(xué)》高性能計算?？蛯谡魑耐ㄖ?/p>

一、刊物簡介

《計算機工程與科學(xué)》是由國防科技大學(xué)計算機學(xué)院主辦的中國計算機學(xué)會會刊，是國內(nèi)外公開發(fā)行的計算機類綜合性學(xué)術(shù)刊物。本刊已先后被列為中文核心期刊、中國科技信息研究所中國科技論文統(tǒng)計分析源期刊(中國科技核心期刊)、中國科學(xué)引文數(shù)據(jù)庫來源期刊(CSCD核心期刊)、中國學(xué)術(shù)期刊(光盤版)全文入編期刊、中國期刊網(wǎng)全文入編期刊、中國學(xué)術(shù)期刊綜合評價數(shù)據(jù)庫來源期刊。

二、征稿范圍(但不限于)

目前，國內(nèi)高性能計算的研究方興未艾，為更好地宣傳目前國內(nèi)高性能計算領(lǐng)域的研究和應(yīng)用現(xiàn)狀，我刊計劃從2013年開始每年出版一期高性能計算專刊，并且常年增設(shè)高能性能計算專欄，重點是面向國內(nèi)高性能計算領(lǐng)域的研究和應(yīng)用。包括：

(1)系統(tǒng)研制技術(shù)：體系結(jié)構(gòu)、系統(tǒng)軟件、軟件并行化、多核編程、編譯技術(shù)、GPU計算、低功耗技術(shù)、系統(tǒng)優(yōu)化技術(shù)。

(2)系統(tǒng)應(yīng)用：EDA設(shè)計仿真、CAE、數(shù)值計算、計算化學(xué)、計算物理、材料設(shè)計、量子力學(xué)、分子動力學(xué)、流體力學(xué)、工業(yè)設(shè)計、圖像渲染、生物信息、生命科學(xué)、氣象、天文、金融、石油勘探、工程計算、地震資料處理、集群管理、并行應(yīng)用軟件開發(fā)(MPI、OpenMP、CUDA)、Linpack測試研究、超算服務(wù)等。

三、投稿要求

(1)投稿方式：采用“計算機工程與科學(xué)在線投稿系統(tǒng)”(http://www.joces.org.cn)投稿。投稿時請在備注欄中注明“高能性能計算?？?qū)凇弊謽印?/p>

(2)稿件格式：參照《計算機工程與科學(xué)》下載中心的排版規(guī)范(網(wǎng)站上提供了論文模版，可下載)。

(3)投稿文章未在正式出版物上發(fā)表過，也不在其他刊物或會議的審稿過程中，不存在一稿多投現(xiàn)象；保證投稿文章的合法性(無抄襲、剽竊、侵權(quán)等不良行為)。

(4)其他事項請參閱投稿指南： http://www.joces.org.cn/CN/column/column291.shtml。

(5)?？陡逦恼掳础队嬎銠C工程與科學(xué)》正常標準收取審稿費和版面費，但將會優(yōu)先發(fā)表；發(fā)表之后，將按《計算機工程與科學(xué)》的標準支付稿酬，并贈送樣刊。

《計算機工程與科學(xué)》編輯部

AnovalP2Pstreamingprotocolanditstrafficmodel

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)

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.

FlashP2P;traffic identification;EMD;traffic forecasting

1007-130X(2014)11-2100-06

2014-06-05;

：2014-08-15

江蘇省自然科學(xué)基金青年基金資助項目(BK20130876);中國博士后基金資助項目(2013M541702);江蘇省未來網(wǎng)絡(luò)項目(BY2013095-4-03);國家自然科學(xué)基金資助項目(61170065，61373017)

TP391.02

：A

10.3969/j.issn.1007-130X.2014.11.008

季一木(1978),男，安徽無為人，博士，副教授，CCF會員(E2000014042S)，研究方向為P2P網(wǎng)絡(luò)、云計算和大數(shù)據(jù)。E-mail:jiym@njupt.edu.cn

通信地址：210023 江蘇省南京市南京郵電大學(xué)計算機學(xué)院842號信箱

Address:Mailbox 842,School of Computer Science & Technology,Nanjing University of Posts and Telecommunications,Nanjing 210023,Jiangsu,P.R.China