论文部分内容阅读
互联网为人类带来便利生活的同时,也带来了难以预料的威胁,因此人类更加有效的监管互联网。而监管互联网需要对网络拓扑结构进行精确的测量。网络拓扑测量是用于识别网络拓扑结构的重要方法,一般使用内部测量方法或者端到端测量方法,通过计算并分析测量数据,从而识别网络的拓扑结构。准确的测量网络拓扑可以有效的监管网络拥塞、精确的定位网络故障、精准的测量网络内部性能参数以及优化网络设计等等。网络层析成像方法是现在主流的网络拓扑测量方法之一,不需要内部节点的协作,只要通过端到端的测量就可以识别网络的拓扑结构。然而使用端到端测量得到的网络内部信息较少,且受到复杂背景流量的影响较大,导致拓扑识别的输入信息不充足并且误差较大。此外在针对一般树状拓扑识别中,现有网络层析成像方法多通过设置固定阈值删除错误链路,实际上固定阈值的设置不仅十分困难,而且还无法适用于所有链路,导致了拓扑识别准确性较低。本文针对上述问题进行研究,主要工作包含以下三个方面:(1)针对二叉树状拓扑识别问题,提出了基于子树融合的二叉树状拓扑识别方法。该方法每次只对仅有三个叶节点的子树进行端到端测量,并以子树的结构特性构建的共享路径长度度量参数为输入识别网络拓扑结构。将该方法在NS2中与现有方法进行实验对比,发现该方法在不增加网络负担的情况下,有效的减少了端到端测量引入的背景流量带来的误差,提高了拓扑识别的准确性。(2)针对一般树状拓扑识别问题,提出了基于突发检测的一般树状拓扑识别方法。该方法在二叉树状拓扑识别的基础上,使用突发检测算法检测二叉树的链路排序序列的突发状态,识别并删除错误链路,从而得到正确的一般树状网络拓扑。将该方法与现有方法进行实验对比,发现该方法在不设置固定阈值的情况下,精确地识别和删除了错误链路,提高了拓扑识别的准确性。(3)针对网络拓扑相似性评价问题,提出了基于图匹配的拓扑相似性评价方法。该方法匹配杰卡尔德相似系数最高的节点,并以匹配链路的1F值作为评价网络拓扑相似性的指标。通过与现有方法对比,发现该方法解决了传统网络拓扑相似性评价指标的局限性问题,适用于更广泛的拓扑相似性评价。