网络流量测量关键技术研究

发布时间：2017-09-03 13:36

  本文关键词：网络流量测量关键技术研究

  更多相关文章： 流量测量 流量抽样 大流识别 数据包抽样

【摘要】：互联网作为20世纪发展最为迅速的技术之一,已经成为现代信息社会最重要的基础设施,成为国家进步和社会发展的重要支柱。随着光通信技术和宽带无线通信技术的快速发展以及新一代互联网体系结构理论研究的突破,一个以“更大、更快、更及时、更方便、更安全、更可管理和更有效”为主要特点的新一代互联网将走进我们的工作和生活。互联网的快速发展在给我们的生活带来了很多的便捷和机遇的同时,也使得我们了解和掌控其运行规律面临新的挑战,原有的测量方法和技术已不能满足需要,寻找能够满足高速网络测量需要、具有扩展性的网络测量技术成为当前亟待解决的问题。在网络流量测量初期,传统的方法是全数据测量虽然准确,但处理速度慢、产生数据量大,所需存储空间大等等。网络流量抽样技术很好地解决了传统流量测量方法的缺点,使得在合理的误差范围内,满足应用的需要。然而,随着链路速率的提高,数据包均匀抽样技术测量不准确的缺点已难以满足需要。一种新的解决方案是根据不同应用的具体需求,有针对性地选择处理方法。网络中的流服从“重尾分布”的特性被发现后,根据该特性提出大流识别方法和数据包公平抽样算法成为研究的热点。基于以上网络流量测量的分析,本文主要进行了以下方面的研究：1.首先,总结现有大流识别方法；其次,在已有研究工作的基础上,选择两种较受关注的算法---LLR算法和Space Saving算法,分别从原理、理论分析进行了剖析,并使用网络真实数据进行了实验验证；最后得出结论,Space Saving算法的空间复杂度、时间复杂度和假阴性误判率等指标均略优于LLR算法。实验结果显示,在分配内存空间相对小,取PT=0.01%时,Space Saving算法的平均假阴性误判率在一定范围内低于LLR算法平均假阴性误判率；而随着内存的增大,两种算法的误差率不断变小,且越来越接近,最终趋近于0。2.针对LLR算法存在的问题,做出三点改进,提出一种基于LRU淘汰机制和stream summary数据结构相结合的大流识别算法。通过分析算法的复杂度和基于互联网采集数据的实验比较,结果均表明,与已有算法相比,该算法在保证准确性的条件下,节省了较大的存储空间,提升了算法应用的扩展性。3.针对现有数据包抽样算法小流量估计误差大的缺陷,提出一种新的数据包抽样算法。该算法根据到达数据包所属流大小的估计值设置包抽样率,使得大流所含数据包抽样率低,小流所含数据包抽样率高。理论分析和实验结果均表明,与已有算法相比,该算法具有更高的准确性和良好的扩展性,更适合于工程应用。
【关键词】：流量测量 流量抽样 大流识别 数据包抽样
【学位授予单位】：西安工业大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：TP393.06
【目录】：

• 摘要3-5
• Abstract5-9
• 1 绪论9-14
• 1.1 研究背景9-10
• 1.2 课题研究的意义10-11
• 1.3 国内外研究现状11-13
• 1.3.1 互联网工程任务组11
• 1.3.2 互联网数据分析合作组织11-12
• 1.3.3 应用网络研究国家实验室12
• 1.3.4 IPMA/Merit12-13
• 1.4 论文的研究内容13-14
• 2 网络流量测量理论14-22
• 2.1 网络流量测量概况14-16
• 2.1.1 网络流量测量系统的构成15
• 2.1.2 网络测量技术分类15-16
• 2.2 网络流量测量面临的问题16-17
• 2.2.1. 高速网络中流量的实时采集处理16-17
• 2.2.2 巨大的存储压力与多样的数据需求17
• 2.2.3 安全问题17
• 2.3 流量抽样的基本概念和方法17-20
• 2.3.1 流量抽样分类18-19
• 2.3.2 原始特征推算19-20
• 2.4 流量测量关键技术20-21
• 2.5 流量测量实验环境的搭建21
• 2.6 本章小结21-22
• 3 两种典型的大流识别算法的比较22-32
• 3.1 大流识别概述22-24
• 3.2 相关研究24-28
• 3.2.1 Sample And Hold算法24-25
• 3.2.2 Multiple Filters算法25
• 3.2.3 LLR算法25-27
• 3.2.4 Space Saving算法27-28
• 3.3 两种大流识别方法比较28-31
• 3.3.1 理论分析28
• 3.3.2 实验与评价28-31
• 3.4 小结31-32
• 4 一种新的大流识别算法32-37
• 4.1 高速网络对流量测量的要求32-33
• 4.2 一种新的大流识别算法33-34
• 4.3 理论分析34-35
• 4.4 实验与评价35-36
• 4.5 小结36-37
• 5 一种新的数据包公平抽样算法37-42
• 5.1 数据包公平抽样概述37-38
• 5.2 ESTFLOWS算法原理38
• 5.3 理论分析38-39
• 5.4 实验验证39-41
• 5.5 小结41-42
• 6 结论42-44
• 6.1 全文总结42
• 6.2 展望42-44
• 参考文献44-49
• 攻读硕士学位期间发表的论文49-50
• 致谢50-52

【参考文献】

中国期刊全文数据库 前1条

1 程光;强士卿;;一个检测超流的早期淘汰算法[J];厦门大学学报(自然科学版);2007年S2期

中国硕士学位论文全文数据库 前2条

1 黄志忠;基于测量的网络管理技术研究[D];电子科技大学;2011年

2 胡广昌;基于Bloom Filters流抽样算法的研究[D];曲阜师范大学;2010年

，

本文编号：785337