一种业务流自适应尽力采样方法

基于业务流的网络流量监测是网络管理、运维、实现基于业务的计费、流量工程等的重要手段．精确、高效的采样技术是实现高速网络流量业务流监测分析的重要技术．基于分段采样思想提出一种尽力最优的自适应随机采样方法，实现特大业务流的精确估计，其中把监测系统本身的处理能力作为选择采样概率的参数．实验结果显示算法能够很好地调节采样概率，使得采样包速率基本等于预先设定的监测系统的处理能力．     

一种自适应确定性采样滤波方法

对确定性采样滤波方法进行了改进,提出了一种自适心确定性采样滤波方法.首先,分别推导得到了平稳噪声情况下递推形式的噪声统计参数估计算法,以及三种针对非平稳噪声统计参数的估计算法;然后,将所得到的噪声统计参数估计算法与确定性采样滤波方法相结合,得到自适应确定性采样滤波算法.仿真结果表明,当时变过程噪声统计参数未知时,利用本文所提出的自适应确定性采样滤波估计算法,仍然可以得到精度较高的估计结果.     

基于IPv6流量监测自适应采样算法研究应用

为了解决高速IPv6网络流量测量,在传统自适应采样算法(FLC)基础上提出了模糊逻辑自适应采样算法(MFLC)。该算法的基本思想是模拟人类的思维方式处理流量采集的频率,将该算法用于分布式的网络流量多点测量,定义相对流量变化率,并对模糊度进行数字化过程,简化模糊规则。通过大量的定性和定量的实验数据表明,采用此算法可用于分布式的网络流量多点测量,为更全面分析IPv6网络性能提供数据。     

一种基于网络业务流的流量监测分析算法

基于业务流的统计信息直接反映用户行为，最繁忙业务流获取与分析，对于网络流量分析和故障定位有指导作用。文章通过分析数据帧到来对哈希表的影响，借助一个记录表，对哈希表中的业务流进行排序，大大减少排序中的比较次数，提高监控系统处理性能．     

一种改进重采样的粒子滤波算法

针对粒子滤波重采样过程中存在的粒子多样性丧失问题,提出一种改进重采样的粒子滤波算法。按照局部重采样算法对粒子进行分类,中等权值的粒子保持不变,大、小两种权值的粒子采用Thompson-Taylor算法进行随机线性组合产生新粒子。实验结果表明,该算法能在降低计算复杂度的同时不丧失粒子多样性,提高了滤波性能。     

基于自相似特性的流量测量采样方法

针对大型网络流量测量中测量数据量巨大、不能有效地描述流量特征的问题,本文将近年来网络研究的热点自相似性运用在流量测量中。根据流量变化对自相似参数H的影响,提出了一种基于网络的自相似特性的流量测量采样方法。该方法降低了流量测量的采样频率,能够及时、准确地发现网络异常,并能使测量数据更准确地刻画流量特征。     

一种网络入侵检测中的数据包采样方法 *

数据包采样方法是提升数据包处理能力很好的方法 ,在网络流量监测分析中得到了广泛应用。然而 ,传统的数据包采样算法应用在 IDS中会极大降低入侵检测率。针对入侵检测的特性 ,利用攻击流量和正常流量在时间上的连续性 ,提出了一种新的数据包采样方法 ,在保证检测率的前提下 ,极大地提升了 IDS的处理能力。     

一种改进的基于DP原理的分段轮廓采样算法

首先详细介绍了由Douglas和Peucker提出的DP轮廓采样算法。然后采用分割与合并相结合的思想,提出了基于DP算法的分段轮廓采样算法,并从数学上证明了该算法在运行时间上比原DP算法快了η倍,η取值为logn/MnηM。最后,针对医学图像,文章通过实验比较了两种算法的运行时间,结果表明该文提出的算法更快速,也易于编程。     

一种改进的SMOTE过采样方法

本文在文献[1]的基础上提出了一种改进的SMOTE过采样方法,以少数类样本为中心向外扩展,直到遇到多数类样本,以此来确定半径,然后在该范围内进行随机地插值,用该方法来解决不平衡数据的分类问题,通过实验表明,该方法是可行的、有效的。     

自适应网络往返时延采样方法

在讨论周期性数据采样算法弊端的基础上,提出自适应往返时延（RTT）的采样算法。该算法以时延变化率作为动态控制采样频率的主要依据,根据网络时延变化的缓急自动调整采样时间间隔。通过实验分析证明,该算法实现简单,可有效地跟踪网络RTT变化情况,从总体上减少采样工作量,减轻因网络测量而给网络带来的额外负载。     

高速网络流量测量方法

高速网络流量测量是目前实施实时准确地监测、管理和控制网络的基础.基于网络流量测量的应用,将网络流量测量分为抽样方法和数据流方法.从不同的层次,将抽样方法分为分组抽样和流抽样,分别介绍了两类抽样方法;从测度角度介绍了数据流方法.详细介绍了高速网络流量测量的常用数据结构,以及抽样、数据流方法在高速网络流量测量中的应用,比较了各种方法的优劣.概述了高速网络流量测量技术的研究进展.最后,就现有的网络流量测量方法的不足,对网络流量测量的发展趋势和进一步的研究方向进行了讨论.     

基于FARIMA模型的流量抽样测量方法

目前的流量抽样测量方法主要基于传统的数学理论,并没有考虑到实际网络流量的特征,基于此,提出基于FARIMA流量预测的抽样方法,根据流量预测值动态调整抽样率,既减轻了CPU的负载,又节省了存储空间。通过对比实际使用中的流量抽样测量方法取得的数据报文样本均值和Hurst参数,表明该方法能够正确体现原始数据的流量行为统计特征。     

链路带宽测量方法改进

链路带宽是网络性能分析，容量优化规划的基本指标，链路带宽测量常用的方法是VPS（variable packet size),但VPS具有误差累计和背景流量影响的缺陷，对VPS方法进行改进，提出和实现一个任意链路带宽测量方法PTVS（packet train with variable size)，消除逐跳测量造成的误差累计和背景流量影响，测量实验表明，PTVS具有精确，高效，迅速的特点，PTVS可测量的其他性能指标还包括RTT，单向延迟，丢包率，端到端瓶颈带宽以及链路利用率。     

基于多波动尺度的两层包级自适应抽样

在高速Internet链路的流量测量中,包抽样技术能有效减少被测数据量以节省各种可用资源。文章关注如何提高流量突发和波动周期的抽样精度,提出了一种基于多波动尺度的两层包级自适应抽样方法。该方法能够根据当前流量的突发频度和波动性动态调节每包抽样概率,调节粒度精细。通过在真实流量跟踪下与静态随机抽样方法的对比,两层自适应抽样方法显示了较强的实时捕获流量速率的波动变化和改善抽样精度的能力。     

基于包对采样的IP网络时延变化测量方法

时延变化是反映网络路径负载特征的IP网络性能指标．基于路径排队模型,发现时延变化对负载的反映受探测包发送时间间隔影响．因参考时延选取不当及采样方式限制,现有方法所测时延变化只粗略反映路径负载．提出了包对采样方法选取恰当参考时延,避免采样方式限制,增强了时延变化反映路径负载的能力;同时确定了探测包发送时间间隔的下界．对一条Internet路径的实测验证了包对采样所测时延变化对路径负载的较强反映能力和探测包发送时间间隔对这种反映能力的影响．     

互联网流采样技术综述

网络流量测量对网络管理、网络监控、网络设计和网络规划具有重要的意义.由于网络带宽以摩尔速率增长,流采样作为一种以有限资源实时获取网络运行状况的方式引起了广泛的关注.文章在分析早期流采样技术现状及不足的基础上,详细综述了大流采样算法、流公平采样算法、全流采样算法及异常检测流采样算法四种互联网流采样技术,对四种技术的性能指标给出了理论分析及证明,最后展望了互联网流采样技术可能发展的四个方向.     

一种基于模糊逻辑的被动测量自适应抽样算法

结合被动抽样测量系统的特殊性,分析了模糊逻牟译控制理论应用于被动测量系统统抽样算法上的可行性,仿真结果表明,基于模糊逻辑控制理论的自适应抽样算法能够动态地调整被动测量系统地抽样间隔,使网络测量准确度和计算机资源费用达到优化。     

一种自适应的高精度可用带宽测量算法

针对现有可用带宽测量技术在突发背景流及多跳链路下测量精度较低的问题,提出了一种自适应的高精度可用带宽测量算法FPU-ABM(Five-Packet-Unit for Available Bandwidth Measurement);该算法采用五包结构构成探测单元,结合TTL值设置,分别测量瓶颈链路前后的探测包间隔,提高了在多跳链路下带宽测量精度;算法根据反馈包的间隔自适应地调整探测速率,加快了测量速度且减小了探测流对网络的入侵度,增强了算法的适应性;仿真表明,在多跳链路下TFP-ABM算法的测量精度可达到10%以内,相比现有算法,TFP-ABM响应速度快、测量精度高、适应性好。