基于ARMA模型的网络流量预测

随着计算机网络的迅速发展，目前的网络规模极为庞大和复杂，因此发生各种问题的可能性也越大，同时管理网络的难度也增大，传统的网络管理是在告警之后，解决潜在的问题，即为一种响应式的行为，这时候网络的服务很可能已经受到影响，根据实际采集的非单播包数的观测值序列，建立该流量参数的正常行为，然后平稳化该序列，估计出网络流量的ARMA（2，1）模型，用线性最小均方误差预测方法，对网络流量进行预测，并检测在将来超越阈值的可能性和发生时间，这样，在网络过载发生之前，可以预先采取防范措施，来保证网络的正常服务，这种方法改变了以往的网络管理响应方式，使得网络过载的预警成为可能。  

一种网络异常实时检测方法

传统的网络管理工具通常根据预先设定的阈值来报警，这种方法虽然简单，但适应性不好．因此出现了网络异常检测技术，有时异常检测技术不但能发现网络故障，而且具有预警的效果[1]；该文介绍了一种新的实时网络流量异常检测方法，转换网络流量观测值序列并假定序列的局部是平稳的，然后建立AR模型，定义一个统计量来检测异常．结果表明，该检测方法具有GLR测试方法所没有的优点．  

基于小波的多尺度网络流量预测模型

通过把ARIMA线性预测方法引入小波域内，提出一个基于多重分形小波模型的网络流量预测模型。通过对真实网络流量的仿真实验，结果表明该模型能够对网络流量进行比较精确的预测．  

面向IP流测量的哈希算法研究

为了解决计算资源和高速网络流量之间的矛盾,需要对IP流进行抽样或负载均衡等处理,而哈希算法是资源代价的核心.首先提出评价哈希算法性能的随机测度;其次从理论上证明比特之间异或运算和位移运算能够提高哈希值的随机特性,提出比特流之间哈希算法的原则;然后分析IP报文的4个字段:源IP、宿IP、源端口和宿端口的特性,由此提出相关的哈希算法;最后使用CERNET主干流量和PMA的数据验证算法的性能,并与IPSX和CRC32算法进行比较.研究表明,基于异或、位移原则的比特流哈希算法的执行效率和哈希值的均匀性两方面具有较好的性质,能够满足高速网络流量测量需求.  

大规模高速网络流量测量研究

随着互联网的发展，理解网络行为对于网络管理，规划和发展都有重要意义，网络流量是研究网络行为的基础，根据网络测量流量的不同，测量方法分为主动测量和被动测量，每种测量方法有其应用背景和优缺点。为了从不同角度研究网络行为需要定义不同的测度，IETF的IPPM工作组现已经定义了一整套用于流量行为测量的测度。根据测量的环境和应用背景的区别，国外不同的研究机构建立了不同的测量体系结构和测量工具。同时，由于网络带宽越来越大，全流量测量和分析研究越来越困难，为了解决这一问题，近几年，流量抽样测量研究现已成为高速网络流量测量的研究重点。  

基于特征串的应用层协议识别

随着各种P2P协议的广泛应用以及逃避防火墙检测的需要,传统的基于常用端口识别应用层协议的方法已经出现问题。文章通过分析可用的文档和实际报文TRACE,分别为七种应用层协议找出其实际交互过程中必须出现且出现频率最高的固定字段,并将这些固定字段作为协议的特征串来识别这七种协议。实验结果表明,相较于端口方法,使用特征串方法识别这七种应用层协议具有更高的准确性,并且时间消耗的增长不会超过2%。  

P2P流量检测与分析

P2P流量逐渐成为互联网流量的重要组成部分,精确识别P2P流量对于有效地管理网络和合理地利用网络资源都具有重要意义.对P2P应用作了简要介绍,分析了P2P和传统C/S网络的不同,并介绍了目前主流的P2P流量检测技术,分析了这些技术的优缺点,然后结合P2P流量的payload特征,设计了一种基于深度包检测的P2P流量检测方法,并通过实验证明了此方法的可行性.结果显示该方法具有非常高的检测精度和令人满意的性能.  

基于统计分析的高速网络分布式抽样测量模型

分布式被动测量是研究网络行为的一个重要手段，其面临的主要问题是难以实现高速网络流量测量，因此需要使用抽样技术．分布式抽样测量技术需要解决两个关键问题：分布式测量点测量报文的一致性和抽样样本的统计随机性．为此，抽样测量的核心是选择合适的抽样掩码匹配位串，以保证抽样样本的随机性，且实现分布式测量点的信息一致性．文章对CERNET主干网络流量IP报头各字段的随机性进行分析，结果表明标识字段16bits满足抽样掩码匹配位串要求，并对抽样样本的随机性和统计属性进行分析．实验验证抽样样本既能用于网络行为研究也能用于流量行为研究．  

一个基于实际测试的网络流量模型

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。本文设计了一种在于实际网络测试的时间相关流量模型的方法，采用该流量模型预测网络流量。文章提出了网络流量预测精度的数学定义。网络测试实验表明，此流量模型具有更高的精度，适用于实际运行的网络环境。  

一种网络流量预测的小波神经网络模型

结合小波变换和人工神经网络的优势，建立一种网络流量预测的小波神经网络模型。首先对流量时间序列进行小波分解，得到小波变换尺度系数序列和小波系数序列，以系数序列和原来的流量时间序列分别作为模型的输入和输出，构造人工神经网络并且加以训练。用实际网络流量对该模型进行验证，结果表明，该模型具有较高的预测效果。