工业以太网网络流量的特性分析与建模研究

针对一个特定工业以太网系统提出了一种有效的网络流量建模思路.首先选取系统中一条流量最大的关键链路作为研究对象,采用wireshark软件捕获流经该链路的不同协议数据包,并根据数据包大小和到达时间计算得出每种协议的流量.然后分别对其中主体协议(CIP协议和TCP协议)的流量进行时频特性和小波特性分析,发现CIP协议具有平稳的周期性,而TCP协议则体现出明显的趋势特性;针对这两种协议的不同特性,提出采用SVR模型对网络流量进行建模,利用Matlab中的libsvm工具箱进行仿真分析,结果表明了算法的有效性.     

基于拓扑链路识别的光网络流量数据合成算法

基于深度学习的光网络流量诊断与预测等场景中,由于保密等原因,光链路的流量数据采集和存储工作受限。针对数据量少而无法支撑深度学习的问题,文章提出了一种基于拓扑链路识别的光网络流量数据合成算法,其核心思想是在生成对抗网络框架下,联合基于光网络拓扑的条件生成模型和基于光网络流量的数据合成模型,以自监督的方式合成指定光链路的流量数据。仿真结果表明,所提算法合成的光网络流量数据在自相关系数指标上与真实数据接近且使得基于全连接神经网络的流量预测模型准确率达到95%以上。     

基于粒子群优化算法的数据中心网络流量调度策略

为解决当前数据中心网络存在链路负载不均衡及带宽资源浪费问题,提出了一种基于粒子群优化算法的流量调度策略.该策略结合软件定义网络控制器可获取全局网络拓扑信息的特性,依据当前链路带宽资源状况及网络流量的带宽需求建立目标函数.首先,根据流的源地址和目的地址找出最短路径集,通过定义粒子聚合度判断算法是否有陷入局部最优的趋势;然后,结合约束条件与目标函数,利用优化的粒子群算法从最短路径集中找出网络流量的最佳调度路径.实验结果表明,相比于其他算法,该算法有效地提高了网络平均吞吐量,获取了较低的丢包率,从而减轻了带宽资源的浪费,更好地实现了网络的负载均衡.     

基于蚁群算法的通信网络流量分析

常规的通信网络流量分析方法主要利用时间序列获取通信网络流量特征,受不断产生的冗余数据影响,导致其分析的通信网络流量值与实际值差距过大。因此需要基于蚁群算法设计一种全新的通信网络流量分析方法。以通信网络的捕获机制入手,利用数据链路接口及数据包过滤器有效地布设了网络流量测量采集点,输出采集数据,再结合蚁群算法生成网络流量分析模型,获取网络流量跟踪算法,从而完成通信网络流量分析。实验结果表明,在不同验证集下本文设计的通信网络流量分析方法分析的通信网络流量值与实际差值较小,证明设计的通信网络流量分析方法的分析效果较好,具有准确性,有一定的应用价值,可以作为后续通信网络流量预测的参考。     

针对MPLS网络流量工程的链路关键性路由算法

该文针对多协议标签交换(MPLS)网络流量工程提出了一种链路关键性路由算法(LCRA),该算法通过定义链路的平均期望负载来确定链路的关键性,进而映射为链路的权值来决定路由的选择。该算法的目的是使网络快捷地建立尽可能多的有带宽保证的路由,并且使这些路由均衡通过网络,实现网络负载均衡。与其他算法相比,该算法在路由拒绝率和重路由性能方面有很好的表现,并且路由的建立时间相当快捷。     

基于链路负载的光突发交换混合路由算法

偏射路由和丢弃重传都能够有效解决光突发交换(OBS)网络中的突发竞争问题.结合偏射路由和丢弃重传的优点,提出了一种基于链路负载的偏射和重传混合的路由算法(LHDR).它根据网络链路的流量负载来计算和存储偏射路由,同时通过链路的平均负载率和节点跳数来确定对竞争突发的偏射或重传.仿真结果表明,LHDR在网络流量负载很高的情况下,能获得很好的突发丢失和端到端延时性能.     

基于队列管理的电力无人机群图像数据传输技术

针对电力无人机群图像数据传输容易出现链路拥塞的问题，提出了一种基于队列管理算法的电力无人机群图像数据传输优化方法。首先介绍了电力无人机群图像数据调度模型，在模型中链路缓存队列引入队列管理理念，通过马尔科夫链精准判定队列的状态，以建立电力无人机群图像数据传输优化策略。通过与传统通信网络流量调度算法进行性能对比和分析，验证了所提算法的有效性和优越性。     

基于边缘流量测量的算法研究

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,网络流量测量是研究网络行为的基础。现有的网络流量测量方法大都需要在网络的内部核心节点处进行测量,需要的网络开销比较大。文中在网络边缘处进行流量测量,然后根据边缘测量结果估计网络各个链路上的流量,提出了网络流量估计算法,节省网络测量开销。最后经过仿真证明该算法可行。     

基于流分类的数据中心网络负载均衡机制

为充分利用数据中心网络的多路径带宽,现有研究多采用基于链路感知的负载均衡算法,在动态获取全局链路拥塞信息后选取最优路径对流量进行转发.然而这些研究未考虑数据中心网络流量大小分布不均匀的特性,难以在选路成本和转发效率上取得平衡.为此,设计一种基于流分类的数据中心网络负载均衡机制(ULFC,Utilization-aware Load balancing based on Flow Classification),在实现拥塞感知的基础上进行流量特征分析,采用不同的策略为大、小流分配路径,实现网络流量特征与选路方法优势的最佳匹配.实验结果表明,相比于现有方案,ULFC的平均流处理效率提高了1.3倍至1.6倍,路由成本降低了50％以上.     

基于随机森林算法的网络流量分类方法

精确的网络流量分类是实现互联网可控可管的关键,传统的单一分类算法需要构建基于特定假设的某种模型,算法对于待分类数据的分布要求高,不能满足复杂多变的网络流量的分类要求。基于此,采用多决策树组合的随机森林算法实现网络流量分类。通过实际网络流量数据实验表明,在各种情况下,随机森林算法都能显著改善网络流量特别是小比例样本的分类效果,算法降低了单一算法过于依赖特定假设模型的要求,对于待分类样本的分布要求低,随机森林算法具有良好的分类效果和鲁棒性。