基于网络层析成像技术的拓扑推断

网络层析成像是近年来新兴的一种网络测量技术,该技术结合了网络测量和统计推断,可以解决网络测量的部分难题.网络拓扑推断是网络层析成像技术的重要应用之一,基于网络层析成像技术的拓扑推断通过端到端的测量即可推断网络内部的拓扑结构,而不需要内部节点的合作.系统地总结了基于网络层析成像的拓扑推断技术的研究现状,对国内外研究进展进行了讨论,最后讨论了当前拓扑推断中存在的问题,并讨论了未来的研究方向.     

AntiMNT：一种对抗多源网络层析成像的拓扑混淆机制

作为一种典型的网络拓扑推断方法,网络层析成像技术可以被攻击者用来准确推断目标网络的拓扑结构,进而向关键节点或链路发起有针对性的攻击行为。为了有效隐藏真实的网络拓扑结构等信息,提出了一种基于主动欺骗方式对抗多源网络层析成像探测的拓扑混淆机制AntiMNT。AntiMNT针对多源网络层析成像的探测过程,策略性地构建虚假拓扑结构,并据此混淆攻击者对目标网络的端到端测量数据,使其形成错误的拓扑推断结果。为了高效生成具有高欺骗特征的混淆网络拓扑,AntiMNT随机生成候选混淆拓扑集,并在此基础上用多目标优化算法搜索具有高安全性和可信度的最优混淆拓扑。基于几种真实网络拓扑的实验分析表明,AntiMNT可以生成高欺骗性和安全性的混淆网络拓扑,从而能够有效防御基于网络层析成像的网络侦察。     

非平稳网络链路延迟率估计过程仿真分析

研究非平稳网络链路延迟率准确估计问题.由于网络的规模越来越大,复杂性越来越高.传统方法通常通过网络内部节点协作获取网络内部性能参数,但是,节点的差异性会给算法的协作过程带来冲突,造成节点协作过程中的相互抵制,从而导致传统方法在非平稳网络链路延迟率估计中失效.提出了一种网络层析成像优化的网络延迟计算方法.在算法基础上根据源节点和目标节点的相关信息建立树结构,计算非平稳网络链路数据传输概率,克服不平稳造成的冲突.再利用网络层析成像优化方法,对链路的延迟率进行估计.实验结果表明,利用改进算法进行非平稳网络链路延迟率估计,能够提高网络链路延迟率估计的准确性,为网络性能评估提供准确的依据.     

网络层析成像研究综述

网络层析成像技术作为通信网络、层析成像技术和统计学理论相结合的产物，是一种全新的网络链路级参数推理、拓扑结构识别和OD（Origin-Destination）流估计的技术。在简要介绍网络层析成像的基本概念和数学模型的基础上，本文从网络链路级参数的推理、网络拓扑结构识别和OD流的估计3方面介绍了网络层析成像的研究现状，分析和展望了一些有价值的新发展，并指出了下一步的研究方向。     

一种基于多播推测丢包率的算法

网络层析是近年新兴的一个网络研究领域,它利用端到端的性能测试结果推导网络内部性能特征或拓扑结构,克服了传统网络测量技术的一些缺陷.丢包率层析的主要方法是利用最大似然估计(MLE),但是计算复杂度高且计算时间较长;基于伪似然估计(PMLE)方法可以较快估计各链路丢包率,但是在非叶节点链路的误差较大.为了克服以上缺点,本文基于多播网络的端对端测量,结合MLE和PMLE提出一种推算网络内部各链路的丢包率算法.通过仿真证实该算法估测的结果能真实地反应网络内部丢包趋势,在推测精度较好的情况下,计算量减少,计算复杂度降低.     

基于递归神经网络的非平稳网络丢包层析成像

为了提高互联网的管理和控制水平.进而优化配置网络资源,一种新的估计网络内部参数的方法"网络层析成像"得到了广泛关注.提出一种基于递归神经网络的非平稳网络丢包层析成像方法,利用递归多层感知器求解非平稳网络丢包模型.采用NS2仿真工具进行实验,证明了该算法能够自适应非平稳网络丢包率随时间变化而产生的波动,以实时追踪网络内部链路的丢包率.     

基于层析成像技术的拓扑推断

利用层析成像技术通过端到端的测量可以推断网络拓扑。该文讨论网络层析成像在网络拓扑推断中的测量方法的优点与不足,分析节点相关性计算方法的缺陷及当前各种拓扑推断算法。对测量方法、节点相关性计算方法和推断算法进行综合对比,总结网络层析成像在拓扑推断中的技术难点,对进一步的研究方向进行探讨。     

基于单播丢包层析技术的探测包发送机制

网络层析技术通过端到端测量就能推测网络的内部性能,无须网络中间节点配合,因此被广泛的应用于网络测量及诊断。对基于单播的网络丢包率层析成像模型进行了详细的探讨,并针对现有的单播层析发包方式的包组相关性缺陷提出了一种改进发包方法。通过NS2的仿真,证明了改进的发包机制能更加准确的估算网络丢包率。     

基于显式计算的单播链路时延估计

为提高基于单播测量的网络链路时延分布估计速度,提出了一种基于显式计算的单播链路时延快速估计方法.由于网络设备多样化导致链路时延特征存在差异,首先根据端到端测量数据为各链路分配不同的离散间隔;然后利用背靠背探测包在网络中引入的二层二叉树结构,通过显式计算推断各链路的时延分布,能明显提高估计速度.仿真结果表明,该方法将链路时延分布的估计时间降低至数百毫秒,同时更准确地捕获链路时延特征.该方法基于显式计算,计算复杂度非常低,因此能够满足实际应用的实时性要求.     

基于时空相关性的非平稳网络链路丢包率估计

现有网络层析成像的研究大多假设链路状态在测量周期内保持不变,因此难以捕获网络链路状态参数的时变特征.打破传统链路丢包率估计方法对链路状态平稳的假设,提出一种基于时空相关性的网络链路时变丢包率估计方法.该方法使用状态转移矩阵描述链路丢包率的时空相关性并进行估计,然后利用最小二乘法修正先验估计结果,以获得链路时变丢包率估计结果.NS-2仿真结果验证了提出的方法能有效追踪链路丢包率的变化,且优于平稳链路丢包率估计方法.     

基于多源NT的链路利用率推断

链路利用率是网络运行状态的重要指标.目前基于NT技术的链路性能推断一般是采用单个源节点,但多源NT具有更多优点.研究了多源NT的链路利用率估计技术;提出汇合测量方法,并证明利用此测量方法,多源NT链路利用率是可辨识的,同时给出测量子图选取的充要条件;提出采用EM算法的链路利用率的极大似然估计方法;最后通过模型仿真和网络仿真对推断方法的有效性进行了验证.     

基于传感器网络的1比特RLS算法

在基于传感器网络的参数估计中,如何尽可能降低网络的使用成本,同时又能获得较好的参数估计性能,是近年来受到国内外学者广泛关注的一个研究问题。为了减小网络的能量消耗和节省带宽、存储资源,本文考虑将传感器网络中每个节点的测量值压缩成1比特数据,然后将其传输到中心节点进行集中处理,并在此基础上提出了一种基于期望最大和递归最小二乘的自适应参数估计算法。论文通过一系列MATLAB仿真实验,验证了该算法具有较好的收敛性和鲁棒性,并能获得与使用非量化测量值的经典RLS算法相近的估计精度。     

基于神经网络的一类生化反应器状态在线估计

提出一种随机非线性系统状态和参数同时估计的神经网络新方法，并证明了该方法的无偏性和是小方差性，将其用于乙醇间歇发酵器的状态和参数估计，结果表明估计值民实验值相吻合，此方法对噪声特片无特殊要求，对初始状态估值不敏感，对初始参数值具有一定的鲁棒性，可利用有限的状态量测信息在线估计不可测量的状态变量和物理参数。     

Achievable accuracy in Gaussian plume parameter estimation using a network of binary sensors

The Gaussian plume model is the core of most regulatory atmospheric dispersion models. The parameters of the model include the source characteristics (e.g. location, strength) and environmental parameters (wind speed, direction, atmospheric stability conditions). The paper presents a theoretical analysis of the best achievable accuracy in estimation of Gaussian plume parameters in the context of a continuous point-source release and using a binary sensor network for acquisition of measurements. The problem is relevant for automatic localisation of atmospheric pollutants with applications in public health and defence. The theoretical bounds of achievable accuracy provide a guideline for sensor network deployment and its performance under various environmental conditions. The bounds are compared with empirical errors obtained using a Markov chain Monte Carlo (MCMC) parameter estimation technique.     

Fast parametric imaging algorithm for dual-input biomedical system parameter estimation

Medical parametric imaging with dynamic positron emission tomography (PET) plays an increasingly potential role in modern biomedical research and clinical diagnosis. The key issue in parametric imaging is to estimate parameters based on sampled data at the pixel-by-pixel level from certain dynamic processes described by valid mathematical models. Classic nonlinear least squares (NLS) algorithm requires a "good" initial guess and the computational time-complexity is high, which is impractical for image-wide parameter estimation. Although a variety of fast parametric imaging techniques have been developed, most of them focus on single input systems, which do not provide an optimal solution for dual-input biomedical system parameter estimation, which is the case of liver metabolism. In this study, a dual-input-generalized linear least squares (D-I-GLLS) algorithm was proposed to identify the model parameters including the parameter in the dual-input function. Monte Carlo simulation was conducted to examine this novel fast algorithm. The results of the quantitative analysis suggested that the proposed technique could provide comparable reliability of the parameter estimation with NLS fitting and accurately identify the parameter in the dual-input function. This method may be potentially applicable to other dual-input biomedical system parameter estimation as well.     

传感器网络分布式鲁棒自适应估计算法

从被噪声污染的信号测量值中获得对某一参数的估计,从而确定不同物理量间的相互依赖关系是传感器网络的一个重要应用,然而测量环境可能存在冲击噪声或脉冲干扰,导致获得的测量数据中包含了大大偏离实际范围的离群值(outliers),从而无法获得有效的参数估计.为了解决这个问题,论文提出了一种分布式鲁棒自适应估计算法,该算法基于离群值稀疏性的思想,在代价函数中引入?1范数,对可能的离群值进行识别并剔除,同时利用网络各节点的相互协作,进一步提高参数估计的性能.通过计算机仿真实验,验证了该算法具有较好的鲁棒性.     

&thetas;-adaptive neural networks: a new approach to parameterestimation

A novel use of neural networks for parameter estimation in nonlinear systems is proposed. The approximating ability of the neural network is used to identify the relation between system variables and parameters of a dynamic system. Two different algorithms, a block estimation method and a recursive estimation method, are proposed. The block estimation method consists of the training of a neural network to approximate the mapping between the system response and the system parameters which in turn is used to identify the parameters of the nonlinear system. In the second method, the neural network is used to determine a recursive algorithm to update the parameter estimate. Both methods are useful for parameter estimation in systems where either the structure of the nonlinearities present are unknown or when the parameters occur nonlinearly. Analytical conditions under which successful estimation can be carried but and several illustrative examples verifying the behavior of the algorithms through simulations are presented.     

层析成像技术在网络属性估算中的应用研究

网络层析成像技术在网络属性估算中的应用主要分为网络拓扑判定和链路属性估算两个重要应用.主要讨论通过对网络上的主机进行单播的测量来获得网络的逻辑拓扑及链路属性,并提出进行网络属性估算的新方案.首先介绍基于延时的"三明治"测量方案和相关网络拓扑判定算法,随后通过实验对网络拓扑判定的系统聚类树算法进行了分析,在此基础上提出进行网络属性估算的新方案.     

神经网络在线投影算法及非线性建模应用

针对神经网络难以在线学习的缺点,把神经网络当作结构已知的非线性系统,权系数的学习看成非线性系统的参数估计,基于新估计准则的非线性系统在线参数估计投影算法,给出前馈神经网络的一种在线运行投影学习算法.理论上证明该算法的全局收敛性,讨论算法参数的物理意义和取值范围.通过2个非线性时变系统的神经网络建模应用的仿真,验证算法的全局收敛性和在线运行能力.     

网络断层扫描:理论与算法

网络测量为网络设计者与管理者提供网络内部细粒度的运行状态信息,是对网络进行高效管理与优化的基础.网络断层扫描是网络测量领域的一个研究热点,是一种端到端的网络测量方法.与传统网络内部测量方法不同,网络断层扫描利用端到端的测量信息计算和推断网络内部性能和状态,从而实现与网络组成和协议无关的网络测量,具有较低的测量开销.本文对近些年国内外学者在网络断层扫描研究领域取得的成果进行了系统总结.本文首先介绍了网络断层扫描的基本模型并指出了影响网络断层扫描性能的3个重要因素：监测节点部署、测量路径构造和测量数据分析;接着,依次归纳了在这3个影响因素方面的研究进展和研究成果;随后,分析了已有网络断层扫描方法在实际应用中存在的缺陷,并给出了应对这些核心缺陷的理论和关键算法.最后,本文基于现有研究成果讨论了网络断层扫描的发展趋势和进一步的研究方向.