網(wǎng)絡(luò)測(cè)量自適應(yīng)抽樣計(jì)數(shù)型布魯姆過濾器概要數(shù)據(jù)結(jié)構(gòu)網(wǎng)絡(luò)流量管理碩士論文

1、IP骨干鏈路流量測(cè)量技術(shù)研究【摘要】 網(wǎng)絡(luò)測(cè)量是對(duì)網(wǎng)絡(luò)行為進(jìn)行特征化、對(duì)各項(xiàng)指標(biāo)進(jìn)行量化并充分理解與正確認(rèn)識(shí)互聯(lián)網(wǎng)的最基本的手段。在骨干鏈路中，數(shù)據(jù)處理面臨的最大問題是高速帶寬帶來(lái)的處理壓力和由此產(chǎn)生的龐大的數(shù)據(jù)集。因此，為了處理龐大的數(shù)據(jù)集，抽樣是一種重要的數(shù)據(jù)縮減方式。通過將抽樣技術(shù)應(yīng)用于網(wǎng)絡(luò)數(shù)據(jù)，然后由抽樣所得的數(shù)據(jù)生成支持常規(guī)查詢和統(tǒng)計(jì)的概要信息，是對(duì)高速網(wǎng)絡(luò)流量有效測(cè)量的一個(gè)很好的解決方案。論文結(jié)合國(guó)家863計(jì)劃重大專項(xiàng)“新一代高可信網(wǎng)絡(luò)”的研究，從高速網(wǎng)絡(luò)環(huán)境下流量測(cè)量的可操作性、可擴(kuò)展性的應(yīng)用需求出發(fā)，針對(duì)現(xiàn)有高速骨干鏈路中流量測(cè)量技術(shù)存在的問題，對(duì)骨干鏈路中高速網(wǎng)絡(luò)數(shù)據(jù)的抽樣技

2、術(shù)和基于計(jì)數(shù)型布魯姆過濾器的概要表示方法進(jìn)行了研究，并設(shè)計(jì)了骨干鏈路流量測(cè)量系統(tǒng)架構(gòu)，為骨干鏈路流量測(cè)量構(gòu)建了一種有效的解決方案。本文主要工作如下：奪針對(duì)NetFlow靜態(tài)抽樣概率在網(wǎng)絡(luò)流量變化時(shí)不夠靈活的缺陷，提出了一種基于包速率自適應(yīng)的報(bào)文抽樣算法。通過測(cè)量包速率，采用預(yù)設(shè)測(cè)量誤差的方法，根據(jù)包速率的變化自適應(yīng)調(diào)整抽樣概率，從而達(dá)到在有限資源情況下控制測(cè)量誤差的目的?；趯?shí)際互聯(lián)網(wǎng)數(shù)據(jù)進(jìn)行了仿真試驗(yàn)，結(jié)果顯示：與傳統(tǒng)的Netflo. 更多還原【Abstract】 Traffic Measurement lS the most basic method of characteriz

3、ing network behavior,estimating the performances，and absolutely understanding and recognizing the network But inthe IP backbone links，the biggest challenge of data processing is the pressure of the data fromthe high speed network and the enormous data volume caused by this process Sampling is animpo

4、rtant method for data decrease Network sampling data,can be used to form summaryinformation，which could support general querying and statisti. 更多還原 【關(guān)鍵詞】 網(wǎng)絡(luò)測(cè)量； 自適應(yīng)抽樣； 計(jì)數(shù)型布魯姆過濾器； 概要數(shù)據(jù)結(jié)構(gòu)； 網(wǎng)絡(luò)流量管理； 【Key words】 Traffic Measurement； Adaptive Sampling； Counting Bloom Filter； Synopsis Data Structure； T

5、raffic Management； 表目錄 6-7 圖目錄 7-8 摘要 8-9 ABSTRACT 9 第一章 緒論 10-20 1.1 課題研究背景 10-13 1.2 骨干鏈路流量測(cè)量關(guān)鍵技術(shù) 13-18 1.3 本文的研究工作和論文結(jié)構(gòu)安排 18-20 第二章 一種基于包速率自適應(yīng)的報(bào)文抽樣算法 20-30 2.1 引言 20-21 2.2 實(shí)時(shí)報(bào)文速率測(cè)量 21-22 2.3 分組測(cè)速緩存模型 22-23 2.4 計(jì)算最優(yōu)抽樣率 23-25 2.5 基于包速率自適應(yīng)的抽樣算法流程 25-26 2.6 仿真實(shí)驗(yàn)分析 26-29 2.7 本章小結(jié) 29-30 第三章 基于分層計(jì)數(shù)型布魯姆過濾器的大流識(shí)別算法 30-43 3.1 引言 30-31 3.2 SBF和CBF自構(gòu) 31-32 3.3 基于HCBF的概要數(shù)據(jù)結(jié)構(gòu) 32-34 3.4 HCBF結(jié)構(gòu)理論分析 34-37 3.5 檢測(cè)大流 37-38 3.6 單個(gè)HcBF測(cè)量應(yīng)用 38-39 3.7 仿真實(shí)驗(yàn) 39-42 3.8 本章小結(jié) 42-43 第四章 骨干鏈路網(wǎng)絡(luò)測(cè)量系統(tǒng)實(shí)現(xiàn)方案 43-52 4.1 引言 43-44 4.2 骨干鏈路網(wǎng)絡(luò)測(cè)量管理系統(tǒng)架構(gòu)概述