家庭网络流量识别与QoS控制

发布时间：2017-11-02 00:05

  本文关键词：家庭网络流量识别与QoS控制

  更多相关文章： 家庭网关 流量识别 流量控制 QoS队列

【摘要】：随着智能家居的不断发展,家庭网关的引入以及网络应用、网络终端的多样化,为家庭环境的网络带来各种新的问题和影响。家庭网络中智能设备不断引入,如智能电视、平板电脑、智能手机,大大拓展了多媒体应用的范围,视频点播、视频会议、可视电话不断普及,这些网络应用往往占据较大的带宽,需要较大的网络流量进行支撑,而目前我国平均带宽还处于较落后的位置,网络终端以及网络应用的日益多样化受到有限的带宽的制约,使用户无法获得很好的网络体验。传统的网络服务质量(Quality of Service, QoS)技术的主要困境是流量识别手段过于单一,因此扩展网络流量识别的方法成为一种研究方向。为解决QoS对网络应用识别能力不足,只能根据数据包上留下的标识来对应用进行识别的局限性,而且在有限带宽的条件下,用户网络体验糟糕的情况,本文提出一种基于家庭网络流量实时识别与QOS控制的系统。论文针对家庭网络中的多种应用以及应用所表现的特点,研究网络流量识别的方法并根据识别结果建立QoS队列调度策略,论文主要工作和贡献如下：1、通过对家庭中较常见的应用分析,重点识别对网络流量影响较大的几类应用。流量识别模块采用端口号识别、五元组信息识别以及BP神经网络的混合识别方法将几类应用成功识别出来,成功率高。BP神经网络通过Libpcap抓取经过路由系统的数据包进行分析,提取所需流量特征进行离线训练,离线训练得到的数据为在线的实时识别提供支持。在系统实现方面,将流量识别模块移植到家庭网关OpenWrt系统中实现模块化,对家庭网络中连接到路由的网络终端进行管理和控制。目前,流量识别模块对应用的识别成功率已经达到80%以上,QoS根据识别结果可以达到准确控制。2、针对家庭环境中的各种应用,进行快速流量识别,根据预先设置的策略进行QoS设置,从而解决带宽资源有限及竞争问题。论文中提出了一种针对不同应用进行QOS设置的家庭网络流量的控制管理方法。在Linux系统TC模块的架构基础上建立新的队列调度策略,充分利用流量识别模块对网络流量的识别分类结果,更好的解决了传统调度策略对网络应用识别不足的情况。3、在流量识别和QOS控制的基础上搭建QoS控制系统。利用传统路由器搭载OpenWrt系统作为家庭网关,抓取流经路由系统的流量数据包进行分析。路由器作为家庭网络的中心,几乎家庭网络的终端都连接到路由设备上,通过控制路由系统,也就控制了其他网络终端设备。通过实验表明,搭建的QoS控制系统可以有效的分配家庭网络流量。运用Linux下的TC工具进行配置与改变,用户可以通过网页界面进行控制,从而提高用户的网络体验。
【关键词】：家庭网关 流量识别 流量控制 QoS队列
【学位授予单位】：山东大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：TP393.06
【目录】：

• 摘要8-10
• ABSTRACT10-12
• 第一章 绪论12-16
• 1.1 引言12-13
• 1.2 目前QoS研究现状13
• 1.3 QoS发展趋势13-14
• 1.4 论文主要工作及创新点14-15
• 1.5 本论文的组织结构15-16
• 第二章 家庭网络应用与QOS技术16-22
• 2.1 家庭网络发展现状16-18
• 2.1.1 家庭网络中的主要应用类型16-17
• 2.1.2 家庭网络流量识别17-18
• 2.2 QoS技术18-22
• 2.2.1 QoS技术的定义18-19
• 2.2.2 QoS技术的服务模型19-20
• 2.2.3 QoS功能的实现20-22
• 第三章 家庭网络流量识别的方法与分类22-35
• 3.1 网络流量识别模块22-31
• 3.1.1 流量识别的方法23-25
• 3.1.2 网络流量识别方法的选择25-26
• 3.1.3 混合识别的方法26-31
• 3.2 网络流量分类模块31-35
• 3.2.1 QoS的分类方法31
• 3.2.2 Linux下iptables介绍31-33
• 3.2.3 利用TC技术进行控制的分类方法33-35
• 第四章 Linux系统下的家庭网络流量控制模型35-44
• 4.1 流量控制框架35-37
• 4.1.1 框架介绍35-36
• 4.1.2 TC模块的实现36-37
• 4.2 队列规则37-44
• 4.2.1 主要队列规则37-40
• 4.2.2 Linux内核安装调度策略原理40-41
• 4.2.3 队列规则的实现41-44
• 第五章 家庭网络流量识别与QoS控制系统的设计与实现44-59
• 5.1 系统总体架构44-45
• 5.2 系统内模块结构的设计45-54
• 5.2.1 流量识别模块45-50
• 5.2.2 内核交互模块50-51
• 5.2.3 队列实现模块51-54
• 5.2.4 用户界面的实现54
• 5.3 系统的测试54-59
• 5.3.1 测试环境54-55
• 5.3.2 测试过程和结果55-58
• 5.3.3 本章小结58-59
• 第六章 总结与展望59-61
• 6.1 工作总结59-60
• 6.2 研究展望60-61
• 参考文献61-66
• 致谢66-67
• 攻读硕士期间研究成果67-68
• 附件68

【共引文献】

中国期刊全文数据库 前10条

1 张天军;任树鑫;许鸿杰;;基于概率神经网络的地下工程围岩稳定性预测[J];武汉工业学院学报;2010年02期

2 邱东;陈爽;仝彩霞;朱里红;王龙山;;钢铁企业高炉煤气平衡与综合优化[J];计算机技术与发展;2009年03期

3 傅雪;张少白;;一种生长型自组织神经网络的聚类研究[J];计算机技术与发展;2011年03期

4 王爱民;宋强;常卫兵;张运素;;基于BP神经网络的烧结矿化学成分预报模型与仿真[J];微计算机信息;2006年25期

5 段俊萍;张鹏;;飞机发电机控制组件故障诊断系统研究[J];微计算机信息;2009年31期

6 李康顺;戴志晃;;一种基于演化算法的BP改进算法[J];微计算机信息;2010年05期

7 许四化;;基于BP神经网络的最小库存量预测模型设计——以广东省某文具制造企业为例[J];物流技术;2011年15期

8 吴欣怡;黄松岭;赵伟;;使用改进型BP神经网络量化裂纹漏磁信号[J];无损检测;2009年08期

9 余永增;韩龙;戴光;;基于声发射的滚动轴承故障诊断方法[J];无损检测;2010年06期

10 李成利;黄存柱;常军;;神经网络在PMV指标控制中的应用研究[J];微型机与应用;2010年01期

，

本文编号：1129091