基于掩码匹配的报文双抽样方法

基于掩码匹配的报文抽样算法是一种实用性较强的分布式流量抽样算法,但是该算法在测量报文到达时间间隔的分布这一重要网络流量特征时性能较差。首先根据误差理论分析了产生这一问题的原因,为了降低测量的系统误差,在原算法中引入了双抽样的改进方案。考虑到改进后的算法会给测量系统带来额外的负担,提出了增加了抽样掩码位数的解决办法,并且论证了其可行性。最后基于实际的网络流量数据进行了实验验证,结果表明：改进后的算法测得的报文到达时间间隔的分布符合真实的分布情况,并且对其它网络性能指标的测量精度影响较小。     

基于CBF流抽样的网络安全

现有网络中常存在DDOS、恶意端口及IP扫描、蠕虫等异常产生大量的只包含1个数据包的流量.针对高速网络流量特点及网络异常导致的流量突然上升,提出了一种改进的基于CBF的流抽样算法.该算法对定长时间内到达的数据包进行固定数量的抽样,使抽样率能适应于流量变化,并可控制资源的消耗,尤其当泛洪攻击、DDOS攻击等导致大规模异常网络流量出现时,能有效保护路由器的处理器和内存资源以及传输流记录所需的带宽资源,同时又不失简单性和准确性.     

一种OFDM系统稀疏信道估计的有效导频设计方案

在正交频分复用(OFDM)系统中,导频信号的选择很大程度上影响了信道估计的性能,研究OFDM系统在稀疏信道的导频配置问题具有重要的意义﹒要找出最佳导频配置,可通过穷尽搜索其所有可能的导频配置,但这会消耗大量的计算时间﹒为了减少计算复杂度,本文引入了交叉熵优化(CEO)算法来确定最优导频配置,同时最大限度地提高稀疏信道估计的精度﹒通过计算机仿真模拟的结果表明,利用该算法获得的导频索引序列比传统平均间隔和随机搜索方法效果更好﹒     

基于两层自适应超时策略的资源可控流抽样

NetFlow是流量测量中广泛使用的技术,但其采用固定的抽样率,在流量较大时消耗过多的系统资源,而在流量较小时造成资源利用不足,且在实际应用中缺乏一定的资源保护机制。为解决其缺陷,提出一种基于两层自适应超时策略的资源可控流抽样测量方法。该方法首先根据时间进行分层,对定长单位时间内的报文进行固定数量的随机抽样,并对其进行流统计,最后用两层自适应超时策略控制流的输出。理论分析和实验表明,该抽样方法不仅具有准确性、简单性和资源可控性,而且从很大程度上提高了"流cache"的利用率。     

高阶双组分Camasss-Holm系统解的H?lder连续性

由于高阶双组分Camassa-Holm系统是局部适定的,故该系统的解是连续依赖于初值条件的﹒本文根据局部适定性的结果,利用索伯列夫不等式和能量估计方法,首先给出高阶双组分Camassa-Holm系统解的一个先验估计;然后依据先验估计和索伯列夫插值公式,推导得出高阶双组分Camassa-Holm系统的解是H?lder连续的﹒     

基于分层抽样的高速网络吞吐率测量

在测量精度要求较高时,随机抽样流量测量的样本容量仍然很大,仍会造成一定程度的资源负担和测量开销上的问题.针对前面这种简单抽样策略的局限性,提出了一种基于报文分层抽样的高速网络吞吐率测量技术,并对分层抽样参数的选取及其理论进行了探讨;从网络吞吐率测量的角度对分层抽样与简单随机抽样的测量性能进行比较.结果表明,在相同样本容量的情况下,分层抽样测量精度几乎平均是简单随机抽样精度的9倍,且算法复杂度仅为O(n),有效解决了高速网络测量环境中测量效益不高的问题.这种基于分层抽样的测量技术还可以用于其他网络流量参数的测量.     

基于改进特征选择法的光纤网络流量异常监测研究

采用当前方法进行光纤网络流量异常监测过程中,特征选择法无法全面描述流量异常特征监测的不足,存在监测效果较差的问题。为此,提出一种基于改进特征选择法的异常流量监测方法。首先采用分光方式对光纤网络流量进行分析,获取光纤网络流量时间序列,并描述用于流量异常监测的多时间序列之间的相互关系,然后利用改进特征选择法对网络出口流量进行特征提取。利用聚类算法选择网络流量异常最优类数和聚类中心,来对网络流量异常现象进行过滤,从而实现网络异常流量特征抽取、特征选择改进算法和网络流量异常监测的研发,从而提高光纤网络流量异常现象监测的准确度。仿真实验结果证明,通过这种方法,能有效地对网络流量异常现象进行监测,且算法简单,能够满足网络流量异常监测的应用需求,实用价值较高。     

基于改进特征选择法的光纤网络流量异常监测

采用当前方法进行光纤网络流量异常监测过程中,特征选择法无法全面描述流量异常特征监测的不足,存在监测效果较差的问题。为此,提出一种基于改进特征选择法的异常流量监测方法。首先采用分光方式对光纤网络流量进行分析,获取光纤网络流量时间序列,并描述用于流量异常监测的多时间序列之间的相互关系,然后利用改进特征选择法对网络出口流量进行特征提取。利用聚类算法选择网络流量异常最优类数和聚类中心,来对网络流量异常现象进行过滤,从而实现网络异常流量特征抽取、特征选择改进算法和网络流量异常监测的研发,从而提高光纤网络流量异常现象监测的准确度。仿真实验结果证明,通过这种方法,能有效地对网络流量异常现象进行监测,且算法简单,能够满足网络流量异常监测的应用需求,实用价值较高。     

基于BF的单向网络性能抽样测量技术

针对在进行网络单向性能测量时,存在抽样效率不高和报文标识均匀性差等问题,提出了一种基于BF(Bloom Filter)的单向网络性能抽样测量框架及算法,解决了在不同测量点对上从大量背景流量条件下的抽样有效性和报文标识有效性问题.仿真性能表明,待测报文抽样效率与BF理论分析值偏差为0.5%,且报文标识冲突比例仅为3.5%左右,软件实现抽样时间开销为O.1μs量级;该抽样测量技术十分适合于从大量背景流量中快速抽样出少量待测报文,从而有效地测量出诸如单向传输时延、时延抖动及单向报文丢失率等重要网络性能参数.     

基于最小二乘法的流长度分布估计方法

为了得到未抽样流的分布特征,提出一种新的由抽样报文流数据来估计原始未抽样流长度分布的方法.首先分析了产生一个定长抽样流的原始流的概率分布模型,并根据这个概率分布特征给出了长流一个非常简单的估计.然后构造了关于短流的方程组,利用流的重尾分布特性和最小二乘法对该方程组进行求解,得到了短流的估计.理论分析表明该估计方法有效地控制了时间复杂程度,实验测试结果也表明该算法对于分布的估计是精确的,估计精度与EM算法相当.     

基于广义S变换和压缩感知的端到端流量估计算法（英文）

研究了高速网络中的流量矩阵估计问题.针对该问题在时域中的高病态特性,提出一种新的算法来解决该问题,该算法利用广义S变换和压缩感知来建模流量矩阵.通过广义S变换,则在时频域中对流量矩阵进行估计;在时频域中流量矩阵被分解为稳态分量和波动分量两部分,稳态分量通过抽样测量的样本数据进行建模分析,而波动分量则利用压缩感知理论进行估计.最后,利用真实网络流量数据验证所提出的算法,仿真结果表明所提出的算法是有效和可行的.     

基于定量递归特征提取的流量监测方法

提出一种基于定量递归特征提取的流量预测算法,构建了网络端到端路由缓冲区短时网络流量的时间序列分析模型.采用虚假最近邻点算法和平均互信息算法对网络流量时间序列进行相空间重构,计算递归图平面中时频特征点占平面总点数的百分比,实现网络流量的时频熵特征提取,有效反应流量时间序列的内部结构特征和变化趋势,实现对流量的准确预测和监测.仿真结果表明,采用该算法能准确实现对网络流量相轨迹的预测判断,预测过程具有较好的抗干扰能力,预测精度较高.     

一种基于混合模型WRC的流量预测方法

针对当前网络流量预测方法在刻画网络流量多重特性方面存在的准确性及噪声干扰的问题,提出了一种基于混合模型WRC的流量预测方法,该方法利用小波分解将网络流量混沌时间序列分解为流量特性不同的近似时间序列和细节时间序列,并利用RBF神经网络和混沌模型分别对这两种时间序列进行处理,得到预测时间序列后再进行小波重构,得到最终的预测值.仿真实验结果表明模型预测有效,且预测精度较高.     

一种用于异常检测的网络流量抽样方法

为了减小抽样数据对网络异常检测的影响,提出了一种新的可变抽样率的网络流量抽样方法.通过利用哈希模式匹配算法,将到达的数据报文按流标识分类并记录下该报文在流中的位置,然后根据报文所属流的位置顺序减函数来设置不同的报文抽样概率.实验结果表明,所提方法增加了短流报文的抽样概率,解决了由于随机报文抽样方法偏向于长流抽样而导致的网络异常丢弃的问题,从而提高了异常检测的正确性.     

OSPF协议报文刷新机制的分析和改进

OSPF(open shortest path first)协议的报文刷新机制会产生大量的报文,给网络带来很大的突发流量。为了减少OSPF给网络带来的负载,该文对OSPF的报文刷新机制进行深入的分析,证明了延长OSPF报文刷新间隔不会影响协议行为和性能的结论。据此该文提出了ERR(enhanced randomized refresh)机制。ERR机制采用随机分散OSPF报文的刷新时间和延长OSPF报文刷新间隔的方法,消除了OSPF带来的突发流量和减少了OSPF报文的数量。该文采用VENUS模拟器进行模拟,实验结果显示:ERR机制比标准刷新机制减少了三分之一的报文,同时消除了OSPF刷新报文给网络带来的突发流量。     

一个网络流量监测与预测系统的设计与实现

提出一种网络流量采集及存储方案, 解决了大型网络流量监测的海量数据存储难题; 将流量预测引入网络管理系统, 实现了基于ARMA模型的网络流量预测. 给出了流量数据获取方法, 采用一种“整点平均”流量速率计算方法以提高准确度; 对几种不同流量数据采集存储方案进行了测试比较; 实现并分析了基于ARMA模型的网络流量预测; 给出了一种基于Trap扩展定义的流量超越阈值告警处理方法. 在南昌市大型电信数据网络上的应用表明, 该系统在网络流量监测与预测方面可以取得很好的效果, 且具备良好的性能.     

网络流量测量的自适应抽样方法研究

由于高速网络技术的发展,直接对网络流量进行全分组测量相当困难,为了解决这一问题,流量抽样测量研究已经成为高速网络环境下进行流量测量的一个热点.在对目前的抽样测量技术研究的基础上,分析了一种自适应抽样测量技术.结果表明:该方法能充分利用现有资源提高抽样测量的准确性,为研究其他的自适应抽样方法提供一定的参考.     

基于时延不对称网络的最小排队转发时延估计

针对精密时间协议(PTP)报文的不确定排队转发时延恶化PTP同步性能的问题,提出最小排队转发时延估计算法.通过对链路时延堆栈式比较,基于筛选出的未受阻塞的幸运报文进行时钟偏移估计,提高了时延不对称网络中的PTP同步性能.算法的边界条件由搜寻幸运报文的平均时间间隔决定,推导了该边界条件公式.测试验证结果表明:在主从链路时延不对称的环境下,相比于无优化情况,链路时延估计精度提高了约25ns,其稳定度提高了近2个数量级;PTP系统同步精度提高了1倍以上,其稳定度提高了近4倍.     

探测低慢小目标的高精度时间间隔测量方法

低空慢速小目标(以下简称"低慢小")探测系统需要应用激光技术对目标进行测距,需要测量激光主波与回波信号之间的时间间隔;并要具有高精度。提出一种高精度时间间隔测量方法,该方法基于内插采样技术,以正弦波作为参考信号,将时间间隔测量转化为对参考正弦波的相位测量,有效地提高了时间间隔测量的精度。同时,该方法将数字计数法与内插采样技术相结合,既保持了数字计数法测量范围大的优势,又体现了内插采样法测量精度高的优点。实验结果表明,时间间隔测量精度能够达到70 ps;在0~20μs的测量范围内,测量相对误差达到10~(-5)量级,具有良好的线性度;且满足低慢小探测系统中激光测距对时间间隔测量精度的要求。     

高阶SRC-KF SINS对准模型算法

基于SINS初始对准误差参数计算精度要求,利用Gauss-Hermite积分和Gauss-Lagerre积分数值逼近方法,证明了Bayesian最优估计理论的高阶球面径向联合积分数值逼近的五阶SRC-KF算法.通过状态向量坐标变换开展高阶球面径向数值积分逼近计算,根据获得2n2个球面径向采样点,利用高阶矩匹配方法设计采样点权值展开系统状态后验概率密度函数逼近计算,来达到非线性系统状态参数五阶SRC-KF最优估计算法高精度计算目的.采用四元数姿态建模方法构建新型SINS初始对准非线性误差模型,引入Lagrangian乘子算法计算四元数估计加权均值,最后利用SINS粗对准实验数据开展初始对准高阶SRC-KF模型算法仿真验证研究.通过UKF、CKF和五阶SRC-KF算法估计数据比较,五阶SRC-KF算法计算精度较高,数值计算稳定性好,验证了五阶SRC-KF算法的可行性及计算精度优势.