基于IP骨干网络的流量矩阵估计方法研究

论文摘要

互联网的快速发展,使得网络的规模越来越庞大,结构越来越复杂,网络用户数量呈指数级增长,而网络中的非关键业务的泛滥也导致网络的带宽资源被大量地消耗,影响了其他关键网络业务的运行,这些都导致对其监控和管理越来越困难。为了更好的进行网络规划、网络设计、网络管理、网络监控、路由配置等网络流量工程和网络仿真实验,迫切需要网络流量方面的信息。流量矩阵作为全网流量的概览,可以完整地描述相应网络中的所有结点间流量的分布情况,结合网络路由信息还可以清晰地反映出网络中各个链路的流量成分,是网络流量工程和网络管理的关键输入参数。然而规模庞大、结构复杂的网络使得流量矩阵难以通过直接的网络测量的方法来获得。目前,使用有限的测量信息估计流量矩阵是获取流量矩阵的主要方法。流量矩阵估计问题是一个病态的反问题。本文介绍了流量矩阵估计的发展历程,对各阶段代表性的流量矩阵估计方法进行了详细介绍,分析了各类方法的优缺点。本文的创新性成果体现在以下两个方面。针对流量矩阵估计的病态特性,避开传统估计算法的思路,即通过建立模型来增加问题的约束条件来克服病态性,对实际测量到的大尺度流量矩阵数据进行大量的统计分析,提出流量矩阵具有空间自相似性的假设,在此假设的基础上提出了相似度线性映射的估计方法,实验表明该算法不仅计算速度快而且精度较高。网络流量的复杂特性使得当前研究者倾向于使用更精细而复杂的模型来进行流量矩阵估计,神经网络是不错的方法,本文针对传统神经网络用于流量矩阵估计时容易出现的记忆消失或变形的问题,提出了一种基于多神经网络的流量矩阵估计方法,提高了训练效率和估计精度。

论文目录

• 摘要
• Abstract
• 插图索引
• 附表索引
• 第1章 绪论
• 1.1 研究背景及意义
• 1.2 流量矩阵定义
• 1.3 流量矩阵的应用
• 1.3.1 用于流量工程
• 1.3.2 用于网络管理
• 1.3.3 用于网络安全
• 1.3.4 其他应用
• 1.4 流量矩阵的获取
• 1.4.1 基于链路的测量
• 1.4.2 基于流的测量
• 1.4.3 基于采样技术的测量
• 1.5 流量矩阵估计
• 1.6 本文的工作
• 1.7 论文结构及章节安排
• 第2章 流量矩阵估计方法综述
• 2.1 第一代方法
• 2.1.1 泊松分布模型
• 2.1.2 高斯分布模型
• 2.1.3 对数高斯分布模型和高斯混合模型
• 2.1.4 最优化方法
• 2.2 第二代方法
• 2.2.1 重力模型方法
• 2.2.2 路由改变方法
• 2.3 第三代方法
• 2.3.1 扇出方法
• 2.3.2 卡尔曼滤波方法
• 2.3.3 主成分分析法
• 2.3.4 独立连接模型
• 2.3.5 时间序列模型
• 2.3.6 神经网络方法
• 2.4 流量矩阵估计的主要评价指标
• 2.5 小结
• 第3章 相似度线性映射流量矩阵估计方法
• 3.1 迭代比例调整算法简介
• 3.2 相似度线性映射方法
• 3.3 误差校正
• 3.4 实验及分析
• 3.4.1 与重力模型、卡尔曼滤波、特征分析的比较
• 3.4.2 与GARCH模型比较
• 3.4.3 参数分析
• 3.5 小结
• 第4章 基于多神经网络的流量矩阵估计方法
• 4.1 K-MEANS算法简介
• 4.2 人工神经网络简介
• 4.2.1 BP神经网络
• 4.2.2 RBF神经网络
• 4.2.3 神经网络用于流量矩阵估计
• 4.3 基于多神经网络的流量矩阵估计方法
• 4.3.1 传统神经网络用于流量矩阵估计的不足
• 4.3.2 基于多神经网络的流量矩阵估计方法
• 4.4 实验及分析
• 4.4.1 基于BP神经网络的多神经网络与BP神经网络对比
• 4.4.2 基于RBF神经网络的多神经网络与RBF神经网络对比
• 4.5 小结
• 结论
• 参考文献
• 致谢
• 附录A 攻读学位期间所发表的学术论文
• 附录B 攻读学位期间所参与的科研活动