基于小波变换的实际网络流量刻画

大量研究结果表明实际网络流量具有明显的尺度特性,在大尺度上表现出自相似,在小尺度上表现出多重分形.多重分形为刻画流量在小尺度上的奇异性提供了良好的数学框架,而小波变换对具有长程依赖性的流量起到了去相关的作用,因此有必要利用小波技术来研究多重分形.同时网络流量的多尺度特性也为研究人员提供了新的方法来探讨流量本质特征.本文基于小波技术研究实际网络流量,首先从全局尺度和局部尺度上分析流量特征,确定产生分形的时间.然后比较多媒体流量和数据型流量在不同尺度下所表现出的性能,并且给出了产生这种现象的原因.     

基于流量特征的网络流量预测研究

传统的非线性模型已经不再适用于网络流量建模,为了能够更精确地对网络流量建模,必须考虑到网络流量的特性。针对网络流量的自相似、长度分布、周期等特征进行分析,结合小波变换与时间序列模型,有效地建立流量预测模型。首先对流量的自相似和平稳性进行分析,并对长度、周期等特征进行描述,其次根据实际流量的自相似性和平稳性选择小波变换与时间序列相结合的方法进行建模,产生预测结果,最后根据长度与周期特征粗略判断预测的合理性。根据实验验证与分析,该方法具有极大的灵活性,相比单一的小波-FARIMA模型可以减少大量的运算,同时能够描述网络流量的短相关与长相关特性。     

一种基于小波谱的流量识别方法

针对流量识别方法受到服务端口、协议签名、流量加密等限制的问题,提出一种基于多尺度小波谱的流量识别方法。利用离散小波变换对原始网络流量进行多尺度分解,分别计算不同尺度下的小波谱,使用K-means算法对这些小波谱进行聚类分析,由此实现网络流量的识别。实验结果表明,该方法具有较高的识别准确率。     

基于Gamma分布和小波的城域网流量仿真模型

针对网络仿真的需要,在对实际网络流量进行拟合的基础上,设计了基于Gamma分布和小波方法的流量仿真模型。对拟合效果的评估显示,该模型较好地刻画了网络流量的自相似特征,为网络流量仿真提供了一种有效的方法。     

尺度可调的多分辨网络流量异常检测

针对现有网络流量异常检测方法的不足,提出了一种基于S变换谱分解的尺度可调的多分辨网络流量异常检测算法.通过引入S变换,可以根据流量信号的频谱特征自动调整分频信号的频谱宽度,以符合异常特征;通过信号自适应重构后的再次检测,进一步确认异常特征,提高了检测的可靠性.仿真结果表明,该方法能够有效检测出流量信号的异常.     

基于周期性网络流量模型的校园网流量预测

网络流量模型是网络性能评价、网络协议设计和网络规划等的基础,然而实践证明基于泊松过程的传统流量模型并不适用于实际的网络流量.在对大量校园网络流量数据统计分析的基础上,提出一个基于周期性网络流量的网络流量模型,将网络流量分为时间相关分量和正态随机分量,并利用分布拟合检验算法加以验证,同时给出了在不同置信度下基于该流量模型的流量预测算法,从而保证对校园网络高效的管理.     

基于对数无限可分级串框架Web网络流量分析

由于Web流量占据了网络流量的主要成分,它的尺度特性必然对整体流量特性产生一定的影响。而对数无限可分级串框架能描述数据流全范围下的多尺度行为,因此可在该框架下分析Web流量与TCP流量的多尺度行为。通过几个对比实验,发现Web流量并不一定就决定了TCP流量的尺度特性,异质的非Web流量的尺度分段交接点大于同质的Web流量的交接点。而且在相近的时间内,Web流量的尺度特性不受一些异常流量的影响,是相对稳定的。     

基于SNMP计算机网络流量监控系统研究

针对一般网络流量监控商业软件普遍存在兼容性差,难于满足特定局域网络监控要求,网管人员很难有效监控网络的数据流走向、各个网络结点间的数据流状况及其他网络异常情况,并且软件价格昂贵.根据局域网线路数据流量测量和分析的实际需求,设计了基于SNMP的计算机网络流量监控系统通用方案,介绍了在VC++6.0平台下利用SNMP++技术和管理对象库MIB开发网络流量监控系统的过程,较好地解决了流量数据采样中遇到的技术问题.通过仿真测试.该系统所生成的流量图与MRTG生成的流量图基本一致,而且该系统实现简单、工作可靠稳定,可以作为开发局域网络监控系统软件的范例.     

基于级联失效的复杂保障网络抗毁性仿真分析*

通过引入流量强度指数α和流量分布指数β,建立了不同网络流量下的复杂负载网络级联失效抗毁性模型。基于该模型比较分析了无标度网络、随机网络和介于这两种网络之间的特定复杂保障网络在不同流量强度和流量分布下对单个节点的随机失效与故意攻击的抗毁性。结果表明,在考虑级联失效的条件下,复杂保障网络的抗毁性随着流量强度的增加急剧下降。此外,流量分布对复杂保障网络的抗毁性也具有显著影响,在流量强度一定的条件下改变网络的流量分布能有效提高网络的抗毁性。     

校园网周期性网络流量模型研究

网络流量模型是网络性能评价、网络协议设计和网络规划等的基础。在对大量校园网络流量数据统计分析的基础上,提出一个基于周期性网络流量的网络流量模型,将网络流量分为时间相关分量和正态随机分量,并利用分布拟合检验算法加以验证,同时给出了在不同置信度下基于该流量模型的流量预测算法。     

互联网流量分类中流量特征研究

互联网流量特征用于描述和测量网络流量,是开展流量分类的重要基础。为了系统性分析互联网流量特征,首先根据统计对象或统计角度研究流量特征的归类法,随后展开评述每类流量特征;针对流量特征的稳定性问题,分析报文抽样、网络环境和模糊化技术对流量特征的影响;从分类能力、稳定性、时效性和分类粒度等方面评述流量特征的优缺点,为流量统计特征应用提供指导性建议;最后总结流量特征的未来研究方向。     

A measurement-based study on the correlations of inter-domain Internet application flows

Internet traffic characterization has a profound impact on network engineering and traffic identification. Existing studies are often carried out on a per-flow basis, focusing on the properties of individual flows. In this paper, we study the interaction of Internet traffic flows and network features from a complex network perspective, focusing on six types of applications: P2P file sharing, P2P stream, HTTP, instant messaging, online games and abnormal traffic. With large-volume traffic flow records collected through proprietary line-speed hardware-based monitors, we construct flow graphs of these different application types. Based on the flow graphs, we calculate the correlation coefficients on various properties for individual or multiple applications. Our studies on associativity among degree and strength of individual hosts and connected nodes reveal distinct correlative behavior of different types of applications. Especially, the correlations of P2P applications are observed to be much stronger than those of the other applications. We also investigate the correlations between different types of applications, and observe that HTTP has remarkably different correlations from those of the two P2P applications due to the fact that multiple application types rely on HTTP. Finally, we study the dynamics of correlations for a period of 24 h and reveal a few interesting trends. We believe that our work which focuses on the assortativities of Internet applications provides insightful understanding on Internet traffic classification of up-to-date applications and will be helpful for Internet traffic classification and engineering.     

交通事故等级与事故时间关联性的粗集分析

利用粗集理论,以事故等级为指标,分别以月、周、日和小时为时间粒度,以吉林省某高速公路1999 年～2004年发生的交通事故统计数据为例,对道路交通事故等级的时间分布规律进行分析。结果表明,道路交通事故等级与时间有密切的关系,并且不同时间粒度对交通事故等级影响的重要程度又存在显著差别。     

Traffic Modelling for Fast Action Network Games

A significant share of today's Internet traffic is generated by network gaming. This kind of traffic is interesting in regard to it's market potential as well as to it's real time requirements on the network. For the consideration of game traffic in network dimensioning, traffic models are required that allow to generate a characteristic load for analytical or simulative performance evaluation of networks. In this paper the fast action multiplayer game Counter Strike is evaluated based on one month of Internet traffic traces and traffic models for client and server are presented. The paper concludes with remarks on QoS metrics for an adequate assessment of performance evaluation results.     

基于粗集理论的交通事故死亡人数时间分布分析

利用粗集理论,以事故死亡人数为指标,分别以月、周、日和小时为时间粒度,以吉林省某高速公路1999年至2004年发生的交通事故统计数据为例,对道路交通事故死亡人数的时间分布规律进行分析。结果表明,道路交通事故死亡人数的分布与时间有密切的关系,并且不同时间粒度对死亡人数分布影响的重要程度又存在显著差别。     

Framework based on stochastic L-Systems for modeling IP traffic with multifractal behavior

This paper presents and compares a set of traffic models, and associated parameter fitting procedures, based on so-called stochastic L-Systems, which were introduced by biologist A. Lindenmayer as a method to model plant growth. Starting from an initial symbol, an L-System generates iteratively sequences of symbols, belonging to an alphabet, through successive application of production rules. In a traffic modeling context, the symbols are interpreted as packet arrival rates or mean packet sizes, and each iteration is associated to a finest time scale of the traffic. These models are able to capture the multiscaling and multifractal behavior sometimes observed in Internet traffic. We describe and compare four traffic models, one characterizing the packet arrival process, and the other three characterizing both the packet arrival and the packet size processes. The models are tested with several measured traffic traces: the well-known pOct Bellcore, a trace of aggregate WAN traffic and two traces of specific applications (Kazaa and Operation Flashing Point). We assess the multifractality of these traces using Linear Multiscale Diagrams. The traffic models are evaluated by comparing, for the measured traffic and for traffic generated according to the inferred models, the probability mass function, the autocovariance function and the queuing behavior. Our results show that the L-System based traffic models that characterize both the packet arrival and packet size processes can achieve very good fitting performance in terms of first- and second-order statistics and queuing behavior.     

小时间粒度网络流量自回归预测分析

网络流量测量和预测是网络QoS管理和流量工程中一个重要的组成部分,尤其是对于为了保证网络QoS而引入的一些实时方法,比如接纳控制,资源预留等。较好的网络流量预测效果,能有效地提高这些方法的工作效率,从而有效提高网络带宽的利用率,保证网络QoS。所以高效的网络流量预测不仅是值得的,而且是必要的。由于许多文献研究的是网络流量在大时间粒度(天、周、月等)上的自回归特性,不能用于这种以秒级为单位的接纳控制、资源预留等实时方法,所以本文具体分析了网络流量在小时间粒度的自相似特性,并提出了其自回归预测模型。在模拟实验中采用了实际网络流量,并证明了在大多数情况下预测误差小于15%的概率为90%,它可有效地应用到接纳控制等方面的网络流量预测中。     

针对设备端口链路的LSTM网络流量预测与链路拥塞方案

针对设备端口链路流量,提出两种基于长短期记忆网络的预测模型。第一种针对在大时间粒度下平稳变化的流量;第二种则针对在小时间粒度下波动剧烈的非平稳流量。通过选用不同的数据划分方式与模型训练方法,构建两种具有不同网络结构的流量预测模型。实验结果表明,前者在处理平稳变化的流量时能够达到极高的预测精度,后者在处理非平稳流量时具有明显优于SVR模型、BP神经网络模型的预测效果。在第二种预测模型的基础上,提出了参数可调的链路拥塞预警方案,实验证明该方案具有一定的可行性。     

一种基于图像特征的移动流量分类方法

随着移动设备的快速发展和应用激增,其产生的移动流量也迅猛增加且众多操作系统皆存在着巨大的安全风险,能够从巨大的网络流量中有效地区分出来自移动端的流量并识别其操作系统对后续的移动安全的分析有着重大的安全意义。基于传统特征的流量分析技术存在着因过分依赖特征选择而导致无法稳定有效地分类移动流量的问题,提出了一种基于图像特征的移动流量分类方法。该方法将流量样本进行可视化转换成灰度图像,从而提取其图像的GLCM特征进行分类。实验结果表明,该方法较传统方法精确率最高提升22.4%,有效地解决了传统方法的特征选择以及没有良好的扩展性等问题。此外,研究了流量研究粒度（flow到stream）、分类粒度（二分类到多分类）和数据集的均衡性（均衡与不均衡）对移动流量检测方法的影响,结果表明分类粒度对分类准确率的影响影响极小,准确率最大降低2.6%。该实验结果进一步说明了提出方法的扩展性,能够有效地用于后续的移动流量的安全研究。     

分布式网络流量监测

分析2种现行网络流量监测技术：利用标准的网络管理方法记录IP流量和利用NETFLOW的方法进行流量统计。针对这2种方法的局限性,提出分布式网络流量监测方法。该方法采用Client/Server结构,局域网各个终端参加流量统计,并将结果传送给流量监测服务器。该方法适合大型局域网的流量监测,具有良好硬件适应性,大大降低了流量监测服务器的工作量,提高了网络性能。