信息熵在网络流量矩阵估算中的应用

提出一种网络流量矩阵估算方法,在已知网络拓扑结构和网络链路流量的情况下,根据网络链路流量计算出信息熵,利用期望最大化算法对网络源和目的对之间的流量需求进行估计。以校园网为实验环境,对骨干网络采集网络流量数据,与通用重力模型方法的比较结果表明,利用该方法进行估算有更高的准确性。     

基于蚁群算法的IP网络流量矩阵估计

针对IP网络流量矩阵(TM)估计的高度病态性,导致很难精确估计网络流量矩阵,因此提出了一种基于蚁群优化(ACO)算法的IP网络流量矩阵估计方法。通过适当的建模,将流量矩阵估计问题转化为最优化问题,再通过蚁群算法求解模型,有效解决了网络流量矩阵估计。通过测试结果分析,与现存的方法相比,所提算法的精度比最大熵和二次规划稍差,但这两种方法复杂度太高,不适用于大规模网络,因此,在网络规模较大的情况下,算法是较优的,可提高流量矩阵估计的精度。     

流量矩阵估算算法研究

流量矩阵是许多网络规划和流量工程任务的关键输入,但直接监控非常具有挑战性.因此,如何根据有限的先验信息,通过合理建模来估算流量矩阵,成为重要的研究课题.已有的估算方法中,卡尔曼方法是一个相对高效和精确的方法,然而,它在实际网络环境中使用时存在"坏态"现象,导致数值计算困难.提出了平方根滤波/平滑流量矩阵估算算法对卡尔曼方法进行改进;并针对新算法的需要,提出了流量数据预处理的方法,可滤除有大量噪声的"坏"数据.模拟仿真结果显示新算法的精确性和稳定性都优于卡尔曼滤波方法.     

流量矩阵估算的研究

流量矩阵是许多网络规划和流量工程任务的关键输入,精确的流量矩阵至关重要,但直接监控非常具有挑战性.因此,如何根据对有限链路的测量数据和路由信息等先验信息,通过合理建模来推断流量矩阵,成为重要的研究课题.首先给出了流量矩阵的基本概念和估算原理;然后对近年来提出的20多种不同的解决流量矩阵估算问题的方法进行分类剖析,总结了目前流量矩阵估算方法的最新研究进展,并讨论了部分方法的性能和估算误差;最后讨论了未来流量矩阵估算的研究趋势和应用前景.     

基于无极卡尔曼滤波算法的雅可比矩阵估计

在基于图像的机器人视觉伺服中,采用在线估计图像雅可比的方法,不需事先知道系统的精确模型,可以避免复杂的系统标定过程。为了有效改善图像雅可比矩阵的在线估计精度,进而提高机器人的跟踪精度,针对机器人跟踪运动目标的应用背景,提出了利用无极卡尔曼滤波算法在线估计总雅可比矩阵。在二自由度的机器人视觉伺服仿真平台上,分别用卡尔曼滤波器（KF）、粒子滤波器（PF）和无极卡尔曼滤波器（UKF）三种算法进行总雅可比矩阵的在线估计。实验结果证明,使用UKF算法的跟踪精度优于其他两种算法,时间耗费仅次于KF算法。     

基于模拟退火的流量矩阵估计

OD（Origin-Destination）流量估计用以获得网络流量在各个OD对间的分布情况,在网络优化、管理和网络异常的检测与识别等方面具有重要意义。模拟退火算法是一种全局的最优化技术,运行效率高,将其应用于OD流估计中,有助于降低求解的复杂性,并取得较高精度。提出了一种基于模拟退火的流量矩阵估计方法,首先采用IPF算法（Iterative Proportional Fitting algorithm）校正后的历史均值作为模拟退火初始值;在模拟退火过程中,利用链路流量信息来缩小模拟退火解的搜索空间,以达到提高算法的估计精度及实时性的目的。采用Abilene网络实际数据的仿真结果表明,该文方法能够取得较高的OD流估计精度,且计算效率明显优于现有的广义重力模型方法。     

基于广义线性反演的流量矩阵估计算法

针对源—目的（OD）流量估计解的不稳定性和求解方法的复杂性,将广义线性反演应用于大尺度网络流量矩阵估计,降低求解方法的复杂性;采用奇异值分解（SVD）获得阻尼系数,提高了求解的稳定性;采用历史均值和链路测量数据相结合决定反演初值,降低多解性。Abilene网络的实际数据仿真结果表明,提出的算法能够在保证较高实时性的前提下,提高计算精度。     

基于广义回归神经网络的流量矩阵估计*

研究大尺度IP骨干网络流量矩阵估计,通过使用广义回归神经网络来捕捉流量矩阵特征,将流量矩阵估计描述成马氏距离下的最优化过程,能成功克服流量矩阵估计的病态特性,获得精确的估计值。仿真结果表明,该估计算法具有更高的估计精度和显著的性能改善。     

流量矩阵估计研究综述

随着Internet网络的快速发展,网络操作员迫切需要知道网络中数据的流动情况,以便更好地进行网络管理、网络监控、网络设计和网络规划等网络流量工程管理.流量矩阵作为网络流量工程的重要输入参数,已受到国内外研究人员的广泛研究,现已成为Internet的一个重要研究方向.本文介绍流量矩阵研究的现状,并从性能上分析和比较各种研究方法,最后讨论流量矩阵研究的技术难题,并指出新的发展方向.     

基于映射矩阵的网络流量分析预测模型

通过对用户行为分析,发现IP数据流具有平稳性、自相关性等特点,提出基于映射矩阵流量预测模型,并与线性模型AR、ARIMA和非线性基于反馈神经网络BP模型、Elman神经网络作对比,试验结果证明,映射矩阵模型,比现有模型具有预测精度高、收敛快等特点。     

Traffic Matrix Inference in IP Networks

While the traffic matrix is used as basic data for many network planning tasks, it must be recognized that its inference in IP networks is particularly difficult and error prone. This paper discusses the issue of defining representative traffic demands and surveys proposed techniques for directly measuring elements of the traffic matrix or inferring their value from link measurements.     

基于高斯混合模型的流量矩阵估算研究

针对源-目的流量估计解的不稳定性和求解方法的复杂性,提出一种基于高斯混合模型的流量矩阵估算算法,它充分利用高斯混合模型的物理意义,使数据聚类的次数减少,并利用Expectation-Maximization算法估算出模型的参数,提高求解的稳定性。实验结果证明了该方法的有效性。     

一种利用粒子滤波的实时交通状态估计方法

将粒子滤波理论和宏观随机交通流模型结合,对高速公路交通状态进行实时估计。在该方法中,高速公路被看作是由等距离的路段首尾相接而形成的模型,交通传感器通常设置在路段的交界处,而且数量远少于所需估计的交通状态。采用压缩状态空间的形式,将模型参数也作为交通状态而非常量进行估计。仿真结果表明粒子滤波方法能够有效地估计和跟踪交通状态的变化,并且与扩展卡尔曼滤波方法相比具有更高的精确度。     

一种基于回归方程的流量矩阵研究

为了对网络进行有效的测量和管理,对流量模型的研究是非常重要的。论文研究了相关的流量模型,提出了一种基于回归方程方法的流量模型,证明了该方法的有效性,获得了最终仿真结果。该模型的核心有三点:(1)通过主动测量的方法获得路径流量和流量分配概率;(2)通过流量和流量分配概率计算结点对流量;(3)推导了回归方程。     

GAN-TM:一种基于生成对抗网络的流量矩阵推断机制

随着当前互联网技术的快速发展,网络规模和复杂度不断提高,由于流量矩阵对于网络管理、流量工程、异常检测等都具有重要意义,因此准确测量流量矩阵对于计算机网络而言极其重要.当前针对流量矩阵的测量机制主要可以分为直接测量法和估计推断法,其中估计方法又包括简单统计反演法、附加链路测量信息法以及测量反演结合法.现有测量机制在准确性...     

OD矩阵估计中交通观测点的设置问题研究

针对由路段流量估计OD矩阵的交通观测点设置问题，根据最大可能相对误差概念提出了改进的交通观测点设置原则：路径覆盖原则和最少观测点原则，并建立了相应的整数规划模型．该模型结构简单，计算方便，所需初始条件较少，且能够在保证OD矩阵估计的可行性和反推精度的同时节省交通观测费用．实例分析表明，结果合理可靠，有较好的适用性．     

基于数据中心流量特征的端到端流量估计算法

数据中心是云计算等大型分布式计算服务的基础,有效地设计与管理数据中心需要遵循数据中心网络的端到端流量特征。然而直接地测量网络的端到端流量需要耗费巨大的软件成本和硬件成本,并且由于数据中心网络结构的特殊性,传统的计算机网络采用的流量估计方法也无法适用于现有的数据中心网络。为解决以上问题,首先依据数据中心的资源分配和链路利用率情况提取出网络的粗粒度流量特征,在此基础上提出一种基于重力模型和网络层析技术的数据中心端到端流量估计算法。与现有的流量推理算法Tomogravity和ELIA在NS3搭建的不同规模的数据中心网络中进行性能对比,实验结果表明,所提算法能有效地利用提取出的粗粒度流量特征,在保证计算效率的前提下将计算准确度大幅提升,可满足当前数据中心网络实时获取端到端流量数据的需求。