收藏本站
收藏 | 手机打开
二维码
手机客户端打开本文

大尺度IP流量矩阵估计关键技术研究

蒋定德  
【摘要】: 随着IP网络规模指数式增长而带来的对网络管理和维护的迫切需求,流量矩阵估计已成为当前的热点研究问题。IP网络的快速发展,迫使网络操作员需要知道网络中不同节点间数据包的转发情况,以便更好地进行负载均衡、流量检测、路由最优化、网络维护、网络设计和网络规划等网络活动。流量矩阵作为网络活动的重要输入参数,已受到国内外研究人员的广泛关注,现已成为IP网络的重要研究内容。流量矩阵表示网络中源目的(Original-Destination,OD)节点之间流动的网络流量(即OD流大小),流量矩阵的维数等于网络中所有OD流的数目,它从全局的观点来描述整个网络的数据流动情况,是网络操作员决策的重要依据。然而,尽管流量矩阵很重要,但是要通过直接测量的方式来获得流量矩阵非常困难,有时甚至是不可能的。而流量矩阵估计采用间接测量的方式来获得流量矩阵,可避免直接测量流量矩阵所遇到的困难。正是由于这一优点,本文研究大尺度IP骨干网络中的流量矩阵(即大尺度IP流量矩阵)估计问题,主要集中在以下几个方面:大尺度IP流量矩阵的最优化估计、基于Fratar模型的大尺度IP流量矩阵估计、基于回归模型的大尺度IP流量矩阵估计、基于递归神经网络的大尺度IP流量矩阵估计和基于前馈神经网络的大尺度IP流量矩阵估计等关键技术的研究。 网络流量根据路由矩阵在网络上流动,并在网络各条链路上汇聚而形成链路负载,因此流量矩阵、路由矩阵和链路负载间具有确定的约束关系。然而,在IP网络中,特别是大尺度IP骨干网络中,OD流的数目远远大于IP网络中的链路数,这导致流量矩阵估计问题具有高度病态特性,如何克服这一问题的病态特性是当前流量矩阵估计面对的主要挑战。针对大尺度IP流量矩阵估计问题的高度病态特性,第二章基于数值最优化理论,探索寻找解决大尺度IP流量矩阵估计过程中解的不稳定性和不唯一性问题的思路,主要包括两方面的工作:(1)基于单纯形方法来估计流量矩阵。通过将流量矩阵估计问题描述为约束条件下的线性规划,然后结合分辨率矩阵和单纯形方法来解决该线性规划,从而获得满足要求的流量矩阵估计值。(2)基于模拟退火方法来求解流量矩阵估计问题。通过将流量矩阵估计问题描述为模拟退火过程,随着温度的不断降低,估计值逐步逼近真实值,从而克服该问题的病态特性,然后利用欧氏距离(Euclid distance)和马氏距离(Mahalanobisdistance)作为最优化尺度来进一步克服该问题的病态特性,并通过迭代反演来获得时变网络条件下的流量矩阵最优化估计值。 以前的文献大多基于统计模型来研究流量矩阵估计问题,但是当前的研究表明流量矩阵具有空间的和时间的相关性,统计模型很难捕获流量矩阵的这些特征。第三章基于Fratar模型来估计大尺度IP流量矩阵,主要包括两方面的工作:(1)利用Fratar模型来建模大尺度IP骨干网络中的OD流。通过Fratar模型,能准确捕获流量矩阵的空间时间相关性,从而能获得精确的流量矩阵初始值,然后通过迭代过程来获得流量矩阵的估计值。(2)由于(1)的迭代过程计算复杂,因而需要时间长。基于Fratar模型,本文利用代数重构技术(Algebraic Reconstruction Technique,ART)来估计流量矩阵。ART是图像重构的重要技术,它基于投影和迭代来完成求解过程,需要的计算简单,计算时间短,因此ART能快速获得流量矩阵的估计结果。 随着对网络流量的深入研究,研究人员发现网络流量不仅具有空间时间相关性,而且具有重尾分布(Heavy-tailed distributions)、自相似(Self-similarity)、短相关(Short-Range Dependence,SRD)和长相关(Long-Range Dependence,LRD)特性,传统的网络流量模型不能准确地捕获这些特征。第四章基于回归模型来估计大尺度IP流量矩阵,主要包括两方面的研究:(1)为了描述网络流量的时间相关性,将OD流建模为自回归滑动平均(Autoregressive Moving Average,ARMA)模型,并利用马氏距离的优点,将流量矩阵估计问题描述为马氏距离下的最优化过程,通过迭代寻优来获得流量矩阵的精确估计。(2)网络流量的自相关函数表示网络流量是非平稳的,它是一种时变非平稳流量。在时变非平稳情况下,本文用广义自回归条件异方差(Generalized Autoregressive Conditional Heteroscedasticity,GARCH)模型来建模OD流。不同于传统的模型,GARCH模型认为网络流量的方差不再是常量,而是随时间的变化而变化。通过GARCH模型,本文能很好地描述网络流量的重尾分布、自相似和LRD特性,从而能精确估计流量矩阵。 尽管流量矩阵的建模方法很多,但是由于流量矩阵的时变非平稳特性、空间时间相关性、重尾分布、自相似、SRD和LRD等特征,要建立精确描述流量矩阵的模型非常困难。递归神经网络具有自学习和归纳的能力,能进行线性和非线性建模,具有强大的建模功能。第五章基于递归神经网络的强大建模功能来估计大尺度IP流量矩阵,主要包括两方面的工作:(1)基于回归多层感知器(RecurrentMultiplayer Perceptron,RMLP)网络来建立流量矩阵估计模型。通过对大尺度IP骨干网络中的每一条OD流用RMLP来建模,然后构建一个多输入多输出的流量矩阵估计模型,获得在满足线性约束条件下的流量矩阵估计值。(2)研究在Elman神经网络下的大尺度IP流量矩阵估计。不同于RMLP,Elman神经网络被用来对所有OD流同时建模。本文通过修改传统的Elman神经网络来更准确地捕获流量矩阵的空间时间相关性,从而获得流量矩阵的精确估计。 与传统的建模方法相比,递归神经网络避免了复杂的数学计算,很好地解决了流量矩阵估计的建模问题,但是递归神经网络具有反馈连接结构,因此计算开销大,训练时间长。第六章讨论利用前馈神经网络来估计大尺度IP流量矩阵,主要包括三方面的工作:(1)在BP(Backpropagation)神经网络下,本文将流量矩阵估计问题建模为一个多输入多输出估计模型。通过输入输出数据对训练BP神经网络,就可快速建立该估计模型,然后通过寻找约束条件下的最优解来快速获得流量矩阵的估计值。(2)基于广义回归神经网络(Generalized Regression NeuralNetwork,GRNN)收敛于基本的回归面和能用于处理任何回归问题的特性,本文利用GRNN来研究大尺度IP流量矩阵估计问题。(3) RBF(Radial Basis Function)神经网络是另一种新的建模工具,它在逼近能力、分类能力和学习速度等方面,均优于BP神经网络。本文利用RBF神经网络来讨论大尺度IP流量矩阵的估计问题,通过修改传统的RBF神经网络模型来更准确地捕获流量矩阵的特征,并在欧氏距离和马氏距离下,通过迭代寻优来获得流量矩阵的精确估计。 最后,第七章总结全文,回顾了前面所述的研究工作,并根据目前的研究情况对未来的研究方向作了展望。


知网文化
【相似文献】
中国期刊全文数据库 前20条
1 蒋定德;胡光岷;;基于广义回归神经网络的流量矩阵估计[J];计算机应用研究;2009年07期
2 ;通过流量分析找问题[J];每周电脑报;2003年44期
3 任敬安,李建平,谢洪涛,陈飞,张敏;基于小波技术的校园网流量分形特性研究[J];后勤工程学院学报;2005年03期
4 马维旻,李忠诚;基于流的网络流量特征分析[J];小型微型计算机系统;2005年09期
5 张弢;使用MRTG监控并统计网络流量[J];信息通信;2005年05期
6 魏进武;汪斌强;邬江兴;;多重分形网络流量的单队列输入排队性能研究[J];电子学报;2006年04期
7 陈英;;解决校园网流量之痛[J];中国教育网络;2006年07期
8 杨哲;;基于SOM人工神经网络的网络流量聚类分析[J];计算机工程;2006年16期
9 林天峰;;基于最大熵原理的网络流量预测综合模型[J];微电子学与计算机;2006年08期
10 王琨月;;A10发布EX系列安全产品[J];每周电脑报;2006年44期
11 蔡忠闽;秦涛;;网络流的层次化分析及其在蠕虫早期检测中的应用[J];西安交通大学学报;2007年04期
12 冯怀成;;网络流量的单分形和多分形特性研究[J];中国高新技术企业;2007年03期
13 苏扬;徐展琦;刘增基;;一种光传送网分层结构及其业务量疏导优化模型[J];计算机科学;2007年10期
14 徐鹏民;王海;盖凌云;;基于流量波动规律的校园网络异常发现算法及实现[J];计算机应用与软件;2008年06期
15 李承志;;基于以太网MAC协议采样的流量测试仪FPGA逻辑[J];电脑与信息技术;2009年01期
16 王西锋;张晓孪;;自相似及其对网络性能的影响分析[J];科学技术与工程;2009年07期
17 王西锋;张晓孪;;基于混合模型的网络流量预测研究[J];西华大学学报(自然科学版);2009年02期
18 贾岩;谭献海;何平;胡玉清;;网络业务多重分形特性研究[J];计算机仿真;2009年04期
19 史雪魁;陈婧;加鹏飞;;校园网络流量监控及策略[J];邢台职业技术学院学报;2009年03期
20 李翔;;网络流量监测的实现[J];中小企业管理与科技(下旬刊);2009年12期
中国重要会议论文全文数据库 前10条
1 王维涛;安洪勇;;基于Sniffer技术的局域网网络流量分析[A];2008'中国信息技术与应用学术论坛论文集(二)[C];2008年
2 雷霆;余镇危;;网络流量行为分析的一维元胞自动机模型[A];2007年全国开放式分布与并行计算机学术会议论文集(下册)[C];2007年
3 周汝强;高军;胡光岷;姚兴苗;;基于层叠模型的网络流量异常检测[A];2006中国西部青年通信学术会议论文集[C];2006年
4 贺龙涛;隋杰;;网络内容检测中的串匹配算法实现研究[A];全国网络与信息安全技术研讨会论文集(下册)[C];2007年
5 齐法制;王彦明;崔涛;刘宝旭;;基于nProbe的网络流量采集与分析系统设计与实现[A];第十四届全国核电子学与核探测技术学术年会论文集(下册)[C];2008年
6 雷霆;余镇危;;网络流量的平均场模型及其动力学行为分析[A];2009中国控制与决策会议论文集(3)[C];2009年
7 吴明元;留凯;;网络信息安全问题及对策[A];中国水力发电工程学会信息化专委会2007年学术交流会论文集[C];2007年
8 齐法制;王彦明;崔涛;刘宝旭;;基于nProbe的网络流量采集与分析系统设计与实现[A];第十四届全国核电子学与核探测技术学术年会论文集(2)[C];2008年
9 马永立;寿国础;胡怡红;钱宗珏;区海平;;新型网络流量识别分析系统及其性能评估[A];第六届全国信息获取与处理学术会议论文集(2)[C];2008年
10 王风宇;云晓春;曹震中;;多时间尺度同步的高速网络流量异常检测[A];全国网络与信息安全技术研讨会论文集(上册)[C];2007年
中国博士学位论文全文数据库 前10条
1 蒋定德;大尺度IP流量矩阵估计关键技术研究[D];电子科技大学;2009年
2 林平;网络流量的离线分析[D];北京邮电大学;2010年
3 林冠洲;网络流量识别关键技术研究[D];北京邮电大学;2011年
4 马晓艳;网络流量模型化与拥塞控制研究[D];北京化工大学;2012年
5 杨越;基于超统计理论的网络流量异常检测方法研究[D];华中科技大学;2010年
6 夏正敏;基于分形的网络流量分析及异常检测技术研究[D];上海交通大学;2012年
7 苏广文;面向城域网的网络流量建模研究[D];西北工业大学;2007年
8 魏进武;基于分形的网络流量建模及排队性能研究[D];解放军信息工程大学;2006年
9 于华;网络流量监控中的若干基本问题研究与分析[D];北京邮电大学;2011年
10 王苏南;高速复杂网络环境下异常流量检测技术研究[D];解放军信息工程大学;2012年
中国硕士学位论文全文数据库 前10条
1 吴文清;基于系统动力学的网络业务研究[D];天津大学;2004年
2 周虹;网络信息流量测量仪设计与实现[D];中南大学;2008年
3 陆飞跃;网络流量控制系统的分析及实现[D];北京邮电大学;2010年
4 许辉;IP网络流量变权组合预测模型研究[D];南华大学;2010年
5 陈亚军;自相似网络流量的产生与研究[D];武汉科技大学;2005年
6 杜瑞峰;网络流量监测技术的研究及其在安全管理中的应用[D];中南大学;2005年
7 谭铣康;无线网络安全分析[D];江南大学;2011年
8 苗序娟;网络流量的检测与分析[D];天津工业大学;2005年
9 韩志杰;基于预测的WSN多路径路由算法研究[D];河南大学;2006年
10 龙洋;DCS系统网络流量监测的研究[D];华北电力大学(河北);2009年
中国重要报纸全文数据库 前10条
1 ;启明星辰天玥网络安全审计[N];中国计算机报;2007年
2 宫曙光;即墨网通优化城域网服务质量[N];人民邮电;2007年
3 本报记者 许泳;Wi—Fi定位 安全有术[N];计算机世界;2009年
4 王臻;应对中国P2P窘境[N];计算机世界;2005年
5 ;用压缩,出口不窄[N];网络世界;2004年
6 ;蓝波公司表示 网络过堵则封BT[N];人民邮电;2006年
7 中科院计算所 李洋;使用Webalizer进行网络流量日志分析[N];计算机世界;2006年
8 曹江华;部署网络分析仪EtherApe[N];计算机世界;2007年
9 赵垒;网络广告遭受流量价值考验[N];中华工商时报;2008年
10 李勇;奥维通 Breeze ACCESS 监视网络流量 无线业务也能精确管理[N];中国计算机报;2003年
 快捷付款方式  订购知网充值卡  订购热线  帮助中心
  • 400-819-9993
  • 010-62982499
  • 010-62783978