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。     

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。     

流量测量在SDN网络安全诊断中的应用研究

为了解决软件定义网络(Software Defined Network, SDN)网络流量测量的节点选择中,受环境影响因素导致选择节点的效率低下和估计精度不够的问题。研究以蚁群优化的测量节点选择方法和小流推测的异常检测机制为基础,在蚁群优化算法的基础上加入领域搜索算法进行改进;并且提出以小流推测为基础的网络异常检测机制,对多种网络安全异常进行识别。实验结果显示,改进的蚁群优化算法(Ant Colony Optimization, ACO)算法准确性由0.504提高到1.000;收敛性由0.483提高到0.721;单位时间开销由0.905控制降低到了0.105。数据表明优化后的ACO算法在SDN网络中流量测量的精确度得到了提高。以小流推测为基础的网络异常及检测方法在网络安全实验中表现出了优良的识别异常的能力,可以广泛应用在数据安全保障方面。     

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。     

基于流量信息结构的异常检测

由于人们对网络流量规律的认识还不够深入,大型高速网络流量的异常检测仍然是目前测量领域研究的一个难点问题.通过对网络流量结构和流量信息结构的研究发现,在一定范围内,正常网络流量的IP、端口等具有重尾分布和自相似特性等较为稳定的流量结构,这种结构对应的信息熵值较为稳定.异常流量和抽样流量的信息熵值以正常流量信息熵值为中心波动,构成以IP、端口和活跃IP数量为维度的空间信息结构.据此对流量进行建模,提出了基于流量信息结构的支持向量机(support vector machine,简称SVM)的二值分类算法,其核心是将流量异常检测转化为基于SVM的分类决策问题.实验结果表明,该算法具有很高的检测效率,还初步验证了该算法的抽样检测能力.因此,将该算法应用到大型高速骨干网络具有实际意义.     

基于自适应粒子群优化LSSVM的网络流量在线预测

针对带混沌特性的网络流量在线预测,提出一种融合自适应粒子群算法(APSO)和递推式最小二乘支持向量机回归的流量模型。对流量序列嵌入重构得到多维状态输入矢量,将其作为初始LSSVM的训练样本,其中采用自适应粒子群算法对模型的特征参数、嵌入维数寻优,避免早熟停滞。对于在线预报过程中的吸收样本、删减样本采用核矩阵迭代式求解,动态调整回归机,使得模型具有在线学习能力,由此得APSO-LSSVM在线流量预测模型,并考察网络负荷度与嵌入维数关系。仿真实验表明:该方法能有效预测网络流量,实现较高精度实时流量估计。     

基于多数据源的网络流量矩阵估计

针对目前多数网络流量矩阵估计方法都采用单一的SNMP链路负载或抽样的NetFlow数据的问题,提出一种综合使用多个数据源进行流量矩阵估计的方法,将SNMP链路负载与抽样的NetFlow数据结合作为相互纠错码,设计过滤这2种数据源中脏数据的算法。以校园网为实验环境,与通用重力模型方法的比较结果表明,利用该算法去除脏数据后进行流量矩阵估计具有更高的准确性。     

模糊综合评判算法在网络流量预测中应用

研究了网络流量预测准确性问题。预测网络数据流的动态变化,针对互联网中对网络流量的不确定影响因素较多,传统的流量预测模型精度较低等问题缺陷,提出了一种新的模糊综合评判算法,对网络流量进行预测。在全面分析网络流量相关需求的基础上,首先利用相关空间重构对网络流量原始数据进行重构,采用改进的层次分析多模型进行优化,建立模糊综合评判的网络入侵检测多指标评估模型,最终经预测得出结果。仿真结果表明采用该算法对实际网络的流量进行了预测,验证了方法具有较高的预测精度。     

基于决策树的P2P流量识别方法研究

针对新型P2P业务采用净荷加密和伪装端口等方法来逃避检测的问题,提出了一种基于决策树的P2P流量识别方法.该方法将决策树方法应用于网络流量识别领域,以适应网络流量的识别要求.决策树方法通过利用训练数据集中的信息熵来构建分类模型,并通过对分类模型的简单查找来完成未知网络流样本的分类.实验结果验证了C4.5决策树算法相比较Na(i)ve Bayes、Bayes Network算法,处理相对简单且计算量不大,具有较高的数据处理效率和分类精度,能够提高网络流量分类精度,更适用于P2P流量识别.     

基于蚁群优化的网络路由算法及其NS仿真

随着网络日趋复杂,求解实际的网络路由问题成为了一个NP一难问题。蚁群优化算法作为一种启发式算法近年来被广泛的用于求解复杂的NP一难问题,在对蚁群优化算法进行研究的基础上,给出了基于蚁群优化的网络路由算法一AntNet算法的原理及其NS仿真。仿真结果表明,该算法很好地利用了蚁群算法的正反馈性,能依概率随机且有效选择下一个节点,从而使网络流量按路径费用好坏,分散在多条可能的路径中,达到平衡流量、减小拥塞现象出现的目的。     

一类标准矩形网络节点间最短路径的求解方法

针对常见的交通道路最短路径问题, 提出标准矩形网络的概念, 分析其节点间最短路径的性质, 并在此基础上给出一种新颖的最短路径求解算法. 该算法利用标准矩形网络的几何性质, 简化了搜索方向和步长的判断, 同时指出常见的交通道路网络一般均可以整体或部分化为标准矩形网络. 与常见的求取最短路径的Dijkstra、Floyd、ACO、A* 等算法进行仿真实验比较, 实验结果表明, 对于大规模标准矩形道路网络, 所提出算法具有更好的寻优精度、稳定性和寻优速度.

     

一种新的Ad Hoc网络容量快速估计算法

讨论了在定向天线的传输模式下,当信道带宽和端到端时延同时受限时,Ad Hoc网络容量的估计问题,提出了一种基于矩阵运算的网络容量快速估计算法,该算法能够跟踪网络拓扑的变化,为快速估计网络容量提供了一种较为有效的解决方案,并给出了网络时延的估计算法。     

基于群智能算法的玻璃切割问题求解研究

通过对玻璃切割问题的研究,提出一种融合量子粒子群优化和蚁群优化的混合算法(QPSO-ACO算法)。该算法对QPSO及ACO的模型进行必要的修改,以实现对玻璃切割中的旅行商问题的较好求解。同时充分利用QPSO的快速性、全局收敛性和ACO的正反馈性及求精解效率高等特点,达到优势互补。实验结果表明,QPSO-ACO算法寻优能力较强,是解决玻璃切割问题的有效方法。     

无监督的猕猴运动皮层锋电位信号CKF解码

如何通过猕猴运动皮层的神经元锋电位信号估计其手指移动位置是一神经解码问题,现存方法解决该问题大多采用有监督训练,需要通过训练数据得到神经元锋电位信号与手指移动位置的关系,因此其估计性能依赖于训练数据.本文提出了一种无监督解码方法,该方法基于状态空间模型（State space model,SSM）,利用神经网络得到神经元锋电位数与手指移动位置的关系权值,再用逐次状态估计方法去估计手指移动的位置.为减少训练的复杂度和提高估计准确度,采用一种非线性的积分卡尔曼滤波（Cubature Kalman filtering,CKF）来完成神经网络的训练和手指位置的逐次状态估计.与传统方法相比,该方法的最大特点是无监督,可以由神经元锋电位簇向量直接估计手指移动位置,而无需有监督训练.实验结果显示,当采用较少的有监督数据,现存方法与本文方法相比有较大的估计误差;当采用较多的有监督数据,现存方法才具有与本文方法相近似的估计误差.     

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.     

非平衡网络流量识别方法

针对网络中存在的对等网络（P2P）流量泛滥导致的流量失衡问题,提出将非平衡数据分类思想应用于流量识别过程。通过引入合成少数类过采样技术（SMOTE）算法并进行改进,提出了均值SMOTE （M-SMOTE）算法,实现对流量数据的平衡化处理。在此基础上分别采用3种机器学习分类器：随机森林（RF）、支持向量机（SVM）、反向传播神经网络（BPNN）对处理后各类流量进行识别。理论分析与仿真结果表明,在不影响P2P流量识别准确率的前提下,与非平衡状态相比,引入SMOTE算法将非P2P流量的识别准确率平均提高了16.5个百分点,将网络流量的整体识别率提高了9.5个百分点;与SMOTE算法相比,M-SMOTE算法将非P2P流量的识别准确率与网络流量的整体识别率分别进一步提高了3.2个百分点和2.6个百分点。实验结果表明,非平衡数据分类思想可有效解决P2P流量过多导致的非P2P流量识别率低的问题,同时所提M-SMOTE算法具有更高的识别准确度。     

基于时间反演的到达时间定位

针对传统算法在室内超宽带（UWB）到达时间（TOA）定位系统里很难准确搜寻出第一条直射路径,从而导致定位精度不高的问题,提出了基于时间反演（TR）的TOA室内UWB定位算法。首先,利用TR处理的空时聚焦特性确定第一条直射路径,从而估计这条路径的TOA;其次,通过加权最小二乘（WLS）定位算法对不同的估计分量赋予相应的权值以提高定位精度。仿真结果表明,相较传统TOA定位,所提方案在低信噪比条件下的均方根误差（RMSE）减小了28.6%,可见该方案有效提升了系统定位精度。     

基于动态加权的量化分布式卡尔曼滤波

针对一个无融合中心传感器网络中的状态估计问题,提出一种基于量化信息的分布式卡尔曼滤波(QDKF)算法。首先,在分布式卡尔曼滤波(DKF)中,以节点状态估计精度为加权准则,动态选取加权矩阵,使得全局估计误差的协方差最小;然后,进一步考虑了网络带宽受限制的情况,在DKF算法中加入均匀量化器,节点之间通信使用量化后的信息,以减少网络通信的带宽需求。QDKF算法仿真采用了8 bit的均匀量化器,与Metropolis加权法和最大度加权法相比,动态加权法的状态估计均方根误差分别降低了25%和27.33%。实验结果表明,采用动态加权法的QDKF算法能提高系统的状态估计精度,减少带宽需求,适用于网络通信受限制的应用场合。     

一种改进的基于蚁群优化的粒子滤波算法

针对传统粒子滤波算法中粒子匮乏以及粒子多样性丧失的问题, 提出了一种基于蚁群优化的改进粒子滤波算法。该算法利用蚁群算法优化粒子滤波的重采样过程, 使粒子在更新权值后, 利用转移概率向权值较优粒子的位置移动, 以防止权值较小的粒子在多次迭代后退化消失; 同时, 设置转移阈值, 以抑制权值较优粒子间的转移, 从而同时解决了粒子匮乏以及粒子多样性丧失的问题。实验结果表明, 该算法具有较高的预估精度和较好的鲁棒性。