分布式网络测量中测量节点的智能选择算法

发布时间：2018-01-13 01:35

  本文关键词：分布式网络测量中测量节点的智能选择算法　出处：《计算机科学》2015年09期 　论文类型：期刊论文

  更多相关文章： 网络测量 测量节点 智能选择 蚁群算法

【摘要】：大规模网络结构复杂,需要有针对性的网络监测方法。测量节点的自动选择必须在测量代价和覆盖范围之间进行权衡。合理地测量节点选择,能在获取全网性能状况的同时,有效减少测量给待测网络带来的带宽占用和软硬件资源消耗的影响。以最小化测量节点数量为目标,选择蚁群算法作为测量节点自动选择的基本算法,并通过对基本算法进行改进和创新,可形成一种针对分布式网络测量的测量节点智能选择算法。
[Abstract]:The large-scale network structure is complex and requires targeted network monitoring methods. The automatic selection of measurement nodes must be balanced between the measurement cost and coverage. At the same time, it can effectively reduce the impact of measurement on the bandwidth consumption and the consumption of hardware and software resources of the network. The goal is to minimize the number of measurement nodes. Ant colony algorithm is selected as the basic algorithm for automatic selection of measurement nodes. By improving and innovating the basic algorithm, an intelligent selection algorithm for distributed network measurement can be formed.
【作者单位】： 北京邮电大学网络与交换技术国家重点实验室;北京邮电大学软件学院;
【基金】：国家863项目(2011AA01A102) 国家973项目(2009CB320505) 中央高校基本科研业务费专项资金(2014RC0501))资助
【分类号】：TP393.06
【正文快照】： 到稿日期:2014-05-17返修日期:2014-07-21本文受国家863项目(2011AA01A102),国家973项目(2009CB320505),中央高校基本科研业务费专项资金(2014RC0501))资助。1引言随着网络规模的不断扩大和业务种类的多样化,Internet的发展给人们带来了巨大的方便;同时也使网络中出现各种异常

【参考文献】

相关期刊论文 前10条

1 林宇,程时端,邬海涛,金跃辉,王文东;IP网端到端性能测量技术研究的进展[J];电子学报;2003年08期

2 吴庆洪,张纪会,徐心和;具有变异特征的蚁群算法[J];计算机研究与发展;1999年10期

3 胡小兵,黄席樾;蚁群优化算法及其应用[J];计算机仿真;2004年05期

4 葛洪伟;彭震宇;岳海兵;;基于混合优化算法的网络流量有效测量点选择[J];计算机应用研究;2009年04期

5 杨星;马自堂;孙磊;;云环境下基于改进蚁群算法的虚拟机批量部署研究[J];计算机科学;2012年09期

6 王芳;李美安;段卫军;;基于动态自适应蚁群算法的云计算任务调度[J];计算机应用;2013年11期

7 李成兵;郭瑞雪;李敏;;改进蚁群算法在旅行商问题中的应用[J];计算机应用;2014年S1期

8 刘湘辉,殷建平,唐乐乐,赵建民;网络流量的有效测量方法分析[J];软件学报;2003年02期

9 刘湘辉,殷建平,卢锡城,赵建民;基于弱顶点覆盖的网络链路使用带宽监测模型[J];软件学报;2004年04期

10 蔡志平;刘芳;赵文涛;刘湘辉;殷建平;;网络测量部署模型及其优化算法[J];软件学报;2008年02期

【共引文献】

相关期刊论文 前10条

1 孙延涛;杨芳南;王迎春;;端到端的通信网综合网络管理系统[J];北京交通大学学报;2010年02期

2 赵磊;陈庆龙;巩珏;;基于改进蚁群算法的炮兵火力优化分配模型[J];兵工自动化;2011年04期

3 刘海军;彭绍雄;高传斌;邹强;;一种基于信息素变化的改进蚁群算法[J];兵工自动化;2012年04期

4 贾民政;;Internet带宽测量技术研究[J];北京工业职业技术学院学报;2007年01期

5 涂建华;高昊宇;赖文华;;次模函数近似算法求最小弱顶点覆盖[J];北京化工大学学报(自然科学版);2011年01期

6 张蕾;张X;宋军;;基于Diffserv机制的智能建筑环境监测技术[J];北京建筑工程学院学报;2012年01期

7 石恒华;何泾沙;许鑫;;基于三元组信息的网络流量检测点选取算法[J];北京邮电大学学报;2009年S1期

8 李彬;毛一之;李新;;改进蚂蚁算法在电力变压器优化设计中的应用[J];变压器;2006年03期

9 孔翔宇;王亚子;欧阳瑞;;基于蚁群算法的改进及其仿真研究[J];长春教育学院学报;2010年02期

10 王茂芝;郭科;徐文皙;黄光鑫;;蚂蚁算法求解TSP问题的性能分析及改进[J];成都理工大学学报(自然科学版);2009年01期

相关会议论文 前10条

1 高尚;江新姿;汤可宗;;蚁群算法与遗传算法的混合算法[A];第二十六届中国控制会议论文集[C];2007年

2 曹浪财;罗键;;一种改进求解TSP问题智能蚂蚁算法[A];第二十七届中国控制会议论文集[C];2008年

3 石恒华;何泾沙;许鑫;;基于邻接矩阵的网络流量检测点设置算法[A];第八届全国信息隐藏与多媒体安全学术大会湖南省计算机学会第十一届学术年会论文集[C];2009年

4 支成秀;梁正友;;融合粒子群优化算法与蚁群算法的随机搜索算法[A];广西计算机学会2006年年会论文集[C];2006年

5 白明;李建勇;;基于改进蚁群算法的FMS工艺路线优化配置[A];先进制造技术论坛暨第二届制造业自动化与信息化技术交流会论文集[C];2003年

6 忻斌健;吴启迪;;蚁群算法的研究现状及其应用[A];2001中国控制与决策学术年会论文集[C];2001年

7 任伟建;陈建玲;韩冬;王凤妤;;蚁群算法综述[A];2007中国控制与决策学术年会论文集[C];2007年

8 卢厚清;张永利;余勤;李宏伟;张小娟;;基于改进蚁群算法的火力分配优化[A];第25届中国控制会议论文集（上册）[C];2006年

9 高尚;蒋新姿;汤可宗;杨静宇;;蚁群算法与粒子群优化算法的混合算法[A];第25届中国控制会议论文集（中册）[C];2006年

10 周书敬;孙红林;李慧敏;;蚂蚁算法复杂性自组织分析与启示[A];第八届中国青年运筹信息管理学者大会论文集[C];2006年

相关博士学位论文 前10条

1 张进;地震叠前数据的弹性阻抗非线性反演方法研究[D];中国海洋大学;2009年

2 曲建华;基于群体智能的聚类分析[D];山东师范大学;2010年

3 王铁军;非结构化对等网络资源定位技术研究[D];电子科技大学;2010年

4 徐文君;面向制造的网络服务质量相关理论和关键技术研究[D];武汉理工大学;2010年

5 周巍;煤矿井下搜救探测机器人的路径规划及轨迹跟踪控制研究[D];太原理工大学;2011年

6 张凌云;高密度电阻率勘探反演的非线性方法研究[D];太原理工大学;2011年

7 刘昕;基于IPv6的智能交通信息采集与处理方法[D];吉林大学;2011年

8 张瑞杰;注水系统生产状态智能分析与运行优化技术研究[D];东北石油大学;2011年

9 王学厚;群体智能优化的计算模式和方法研究与应用[D];华北电力大学;2011年

10 金珠;改进的支持向量机分类算法及其在煤矿人因事故安全评价中的应用[D];中国矿业大学;2011年

相关硕士学位论文 前10条

1 李颖;用蚁群算法求解最小极大流问题[D];河南理工大学;2010年

2 岳广飞;基于二次搜索的搜索引擎技术研究[D];山东科技大学;2010年

3 邵晓路;蚁群群体智能网络可视化试验平台研制[D];浙江理工大学;2010年

4 耿东山;基于蚁群算法的机器人全局路径规划[D];郑州大学;2010年

5 荆奇;蚁群算法在特种机器人智能控制中的应用研究[D];哈尔滨工程大学;2010年

6 廖培腾;IPv4/IPv6校园网环境下流量监测系统的设计[D];大连理工大学;2010年

7 林其岳;螺旋钻采煤机钻具的参数研究及优化[D];辽宁工程技术大学;2009年

8 肖良清;基于时间Petri网的并行测试研究[D];长沙理工大学;2010年

9 谢纪祥;城市干线道路信号协调优化控制研究[D];长沙理工大学;2010年

10 唐晓寒;基于最大最小蚁群算法的多配送中心智能物流调度研究[D];河南工业大学;2010年

【二级参考文献】

相关期刊论文 前10条

1 孙学刚;，

本文编号：1416917