基于网络处理器的ATM网络流量监测分析

针对异步传输模式网络，提出了流量监测指标。基于C-5网络处理器，设计并实现了ATM网络流量监测分析系统。该系统能够执行ATM网络的VPI/VCI利用率测量、信元重组及上层协议分析等功能。实验数据表明，系统在监测OC-3/OC-12链路时丢包率小于0.001%，满足速率及精度的要求，能够实现线速测量。     

分档布鲁姆过滤器的查询算法

布鲁姆过滤器是一种能够简洁地表示集合并支持集合查询的数据结构,广泛应用于数据库、网络和分布式系统中.针对现有的布鲁姆过滤器没有考虑查询失效代价这一缺陷,文中提出一种新的代价敏感的分档布鲁姆过滤器查询算法.它将元素根据不同的查询代价分为不同的子集,通过考查每档子集最低查询失效率的关系,建立由每档子集合最低查询失效假阳性概率表示的集合最低查询失效总代价目标函数,使用类目标函数梯度遗传算法获得每档的最优Hash函数个数ki,完成集合到向量的映射与查找.仿真实验结果表明,使用新结构的查询算法和标准布鲁姆过滤器算法相比,所用的查询计算时间基本相同,因为区分对待集合元素,查询失效总代价仅为标准算法的27%.     

一种高效的网络流记录表示方法

带宽和应用不断发展,迫切需要对应用业务的精细化网络流量进行持续监测.NetFlow的表示方法存在数据组织效率低等问题,导致传输开销过大、历史数据存储空间爆炸增长;聚合NetFlow表示方法又带来大量信息丢失.寻找一种高效的网络流记录表示方法对满足网络测量有着非常重要的意义.提出了一种新的方法——基于对象和应用的流量特征统计描述(TABSI),该方法以单位时间周期内各个监测对象在不同应用下的流量统计、流数目统计及分布为流量信息的基本描述单位,周期性地导出该信息来描述链路流量特征.理论分析表明TABSI比聚合NetFlow记录包含更多的信息量,能够很好地描述网络行为;且TABSI历史数据有效性更强.现网运行测试表明该方法可使传输数据量减少、存储组织高效查询分析更快、存储空间大大减少.     

基于Gilbert丢包机制的TCP吞吐量模型

 丢包机制是推导TCP吞吐量模型的关键,直接影响模型的准确性.本文利用四状态Gilbert丢包机制来描述端到端路径上的丢包行为,对TCP的拥塞控制过程进行建模,在此基础上提出了一种更精确的TCP吞吐量模型.实验表明,改进的模型能较好的与实际值相拟合,可以更精确地预测实际TCP数据流的吞吐量性能.     

自适应的端到端可用带宽测量方法

提出了一种轻负载的、自适应的端到端可用带宽测量方法.在低负载链路下,计算探测包对距离增大的概率,结合输出探测包距离分布,得到可用带宽.在此基础上通过探测包输出包距离对称度区分链路负载情况,自适应地采用合适的可用带宽计算方法.仿真实验表明,相比之前方法,本方法测量时间少、准确性高、测量开销小.     

系统级故障诊断软件仿真系统的设计与实现

文章介绍了系统级故障诊断软件仿真系统的设计与实现,着重讨论了系统的功能设计、测试图生成、诊断算法,并给出了一个诊断实例。     

Mobile IPv6 Home Agent协议一致性测试集的设计与实现

描述了Mobile IPv6 HA协议一致性测试集设计与实现过程,说明该测试系统的测试方法和测试结构。通过测试实例介绍了测试集的形式化,并对一基于Linux平台的HA实现的测试结果进行了分析。     

OSPFv3协议一致性测试集的设计和实现

设计改进了OSPFv3一致性测试例,使它能在IPv6上顺利运行,采用改进的穿越测试法,通过虚拟测试,利用测试序列包中的地址字段和其它特征字段,采用改进了的TSS语言,仅用一台测试器就搭建了一种逻辑测试结构,实现了多台虚拟测试器的测试拓扑。介绍了测试集的形式化,并对一基于Linux平台的OSPFv3实现的测试结果进行了分析。     

软件项目人员流动风险的定量评估和分析

提出了一种评估软件项目人员流动风险的定量模型,示例了该模型的使用,使用该模型不但可以直观地得到软件项目的人员流动风险值,而且可以利用该模型的各项及其系数分析人员流动风险产生原因,找到其控制策略。     

面向大规模网络测量的数据恢复算法：基于关联学习的张量填充

网络应用,如网络状态跟踪、服务等级协议保障和网络故障定位等,依赖于完整准确的吞吐量测量数据.由于测量代价大,网络监控系统通常难以获得全网吞吐量测量数据.稀疏网络测量技术基于采样的方式降低测量代价,通过张量填充等算法挖掘数据内部的时空相关性,从部分网络测量数据恢复缺失数据.然而,现有研究仅考虑了单个性能指标,忽略了多个指标之间的关联信息,导致恢复精度受限且整体测量代价依然很大.本文提出了一个面向大规模网络测量的数据恢复算法——基于关联学习的张量填充（Association Learning based Tensor Completion,ALTC）.为了捕获网络性能指标之间的复杂关系,设计了一个关联学习模型,使用低测量开销的往返时延推测高测量开销的吞吐量,降低网络测量代价.在此基础上设计了一个张量填充模型,同时学习吞吐量测量数据内部的时空相关性和来自往返时延的外部辅助关联信息,最终以更高的恢复精度获取全网吞吐量数据.实验表明,在相同的吞吐量测量代价下,本文所提算法的恢复误差比目前主流方法的恢复误差降低了13%,达到了更好的恢复效果.