新一代互联网体系结构及关键技术研究

论文摘要

随着互联网自身规模的不断扩大以及人们对互联网需求的转变,现有互联网架构越来越表现出对可持续发展的不适应性,当前互联网面临着路由的可扩展性、移动性、安全性、以及缺乏测量感知功能,用户行为模式难以描述的缺陷,严重阻碍了网络的发展。为此,国内外都将新一代互联网理论作为近期本领域最重要和最迫切的研究内容之一,覆盖了体系结构、网络虚拟化、测量与预测等多个细分研究领域。为解决当前互联网面临的问题,本论文分别从新一代互联网体系结构研究、虚拟网络与底层物理网络之间的映射算法研究以及网络流量预测算法研究等几个方面进行了探讨。具体研究内容包括：1、在新一代网络体系结构方面,综合层次式交换网络和身份与位置分离方案两个方案的优势,提出了一种结合VLB的层次化网络体系结构。通过在核心网中将层次化的树形拓扑与VLB负载均衡结构相结合,在摒弃路由机制的同时解决了树形拓扑的健壮性和可扩展性问题,并结合核心网络的特殊结构提出了一种流级负载分配策略。在边缘用户网络中,通过引入层次化的映射系统进行身份与位置的分离,实现了对移动性和安全性的高效支持。该网络结构不仅可以解决当前互联网面临的路由可扩展性问题、移动性和安全性问题,同时为网络测量与行为分析提供了便利。2、本文结合所提出的层次化网络体系结构,利用物理网络的独特构造提出了一种新型虚网映射算法,新方法通过将原虚网请求划分到核心网络和各个边缘用户网络,利用核心网树形拓扑流量传输路径唯一确定,资源便于统计的特点,将核心网络部分的虚网映射工作简化为边缘交换节点对之间的资源查找,随后各个用户网络能够并行执行分解后的子虚网映射,大大降低了虚网映射的计算量和复杂度。理论分析和仿真表明,该算法通过构建一个易于映射的现实网络,将原虚网请求的分解映射模块化,在映射时间上获得了大幅改善,同时减少了分解后的子虚网请求约束条件,提高了整个虚网请求的接收率。3、在网络流量预测算法中,本文针对传统小波预测模型难以刻画流量的突发特性以及传统时间序列预测算法在预测分解后的非平稳序列时的局限性,提出了一种基于小波包分解与模糊神经网络的流量复合预测模型。通过对网络流量高频部分的分解,在去除网络流量长相关性的同时更精确地刻画了网络流量的突发特性,并通过模糊神经网络对分解后的非平稳序列进行预测。该模型可以有效刻画流量的突发特性并具有良好的动态自适应调整能力,同时支持离线和在线两种场景。仿真结果表明,本文提出的流量预测算法具有良好的稳定性与预测精度。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 研究背景
• 1.2 选题目的及意义
• 1.3 论文主要贡献
• 1.4 论文结构安排
• 参考文献
• 第二章 新一代网络关键技术
• 2.1 研究背景
• 2.2 网络虚拟化
• 2.2.1 网络虚拟化的概念
• 2.2.2 网络虚拟化的架构
• 2.2.3 设计目标与关键问题
• 2.2.4 虚拟化网络实验平台
• 2.3 网络流量分析与预测
• 2.3.1 网络测量体系与部署
• 2.3.2 流量特性与检测
• 2.3.3 流量预测与建模
• 2.3.4 流量预测与网络管理
• 2.4 本章小结
• 参考文献
• 第三章 一种结合VLB的层次化网络体系结构研究
• 3.1 研究背景
• 3.2 互联网体系结构的技术路线
• 3.2.1 "演进型"技术路线
• 3.2.2 "革命型"技术路线
• 3.3 新一代互联网体系结构研究现状
• 3.3.1 身份与位置分离
• 3.3.2 层次化的交换网络
• 3.3.3 新一代互联网体系结构总结
• 3.4 HNDCE网络体系结构的设计
• 3.4.1 设计原则
• 3.4.2 HNDCE的核心网络设计
• 3.4.3 HNDCE的边缘网络设计
• 3.4.4 优势分析
• 3.5 本章小结
• 参考文献
• 第四章 基于层次化架构的虚网映射算法研究
• 4.1 研究背景
• 4.2 虚网映射概述
• 4.2.1 虚网映射的问题描述
• 4.2.2 虚网映射的约束条件
• 4.2.3 虚网映射的评价指标
• 4.3 现有虚网请求映射算法研究
• 4.3.1 支持路径分流和路径迁移的虚网映射算法
• 4.3.2 基于拓扑分解的虚网映射算法
• 4.3.3 基于子图同构的虚网映射算法
• 4.3.4 基于扩展拓扑图的虚网映射算法
• 4.3.5 分布式虚网映射算法
• 4.4 基于HNDCE架构的虚网映射算法研究
• 4.4.1 HNDCE中的资源管理体系
• 4.4.2 HNDCE-VNE虚网映射算法
• 4.5 仿真结果与分析
• 4.6 本章小结
• 参考文献
• 第五章 一种网络流量预测算法研究
• 5.1 研究背景
• 5.2 网络流量特性概述
• 5.2.1 自相似性
• 5.2.2 长相关性
• 5.2.3 多重分形性
• 5.2.4 网络流量特性对网络性能的影响
• 5.3 现有网络流量预测方法研究
• 5.3.1 基于数学表达式的传统流量预测模型
• 5.3.2 基于数据拟合的流量预测模型
• 5.3.3 复合式网络流量预测模型
• 5.3.4 现有网络流量预测算法的总结
• 5.4 基于小波包分解与模糊神经网络的流量预测算法研究
• 5.4.1 算法原理
• 5.4.2 算法实现
• 5.4.3 性能评价指标
• 5.5 仿真结果与分析
• 5.6 本章小结
• 参考文献
• 第六章 结束语
• 6.1 工作总结
• 6.2 未来研究的设想
• 缩略语索引
• 致谢
• 攻读博士学位期间相关专利及论文