基于多虚拟矩阵的网络流估计算法

针对现有PMC算法测量精度较低的缺点,提出一种基于多虚拟矩阵的网络流估计算法。运用多个哈希函数对数据包进行哈希映射,对应生成多个虚拟矩阵,通过对生成的虚拟矩阵按位取交集,有效提高算法的准确率。实验结果表明,在存储空间相同的条件下,该算法测量精度更高,适用性更好,能够适应当下的高速网络环境。     

避免数据包重复采集的分布式流量测量算法

针对D PC算法存在的问题,提出一种“标记”数据包头的分布式流量测量算法。为避免同一数据包被不同测量点重复采集,在网络入口测量点处,对到达的数据包进行抽样,修改被抽取数据包头中标志位的预留位为1;在网络的中间节点,通过查看数据包的预留位判断数据包是否已被抽取,对于已被抽取的数据包,不再重复记录,对于尚未被抽取的数据包,根据抽样规则决定是否抽取,避免多次采集相同数据包导致计算资源和存储资源的重复消耗。通过理论推导和实例验证了该算法的有效性,为分布式网络流量测量的扩展应用提供了解决途径。     

一种新的基于LRU的大流检测算法

针对LRU(Least Recently Used)算法大流漏检率过高的问题,提出了一种采用CBF(Counting Bloom Filter)和LRU两级结构的大流检测算法。该算法根据大流占用带宽较大、持续时间较长的特点在CBF中引入时间窗口机制来滤出可能的大流,然后将流信息记录在LRU中作进一步筛选。从理论上分析了影响该算法性能的因素,考虑了在存储资源一定的条件下,如何设置参数以发挥该算法最大效能的问题。最后基于实际的互联网数据进行了对比验证。结果表明,与同类算法相比,该算法在有效降低大流漏检率的同时,提高了大流流量的测量精度。     

基于多位域的等概率随机IP流抽样算法

对IP流信息的全方位提取有助于实现网络实时监控,精细管理,有利于网络安全性能的提升。已有的等概率随机IP流抽样算法将大量的IP流重复抽样,浪费了宝贵的计算和存储资源。针对这个问题,在原有算法的基础上设计了一种新的等概率随机IP流抽样算法,该算法在Bloom Filter的基础上采用三层位域,两层同时测量,结果取交集的方法,便于实际使用并且有效减少了已被抽样的IP流被重复抽样。实验结果表明:新方法能够大幅度提高测量精度,节约了系统资源,可以适用于10 Gb/s左右的高速网络之中。