[发明专利]一种时变非平稳网络流量测量方法

说明书

技术领域

本发明是属于网络技术领域，具体涉及一种时变非平稳网络流量测量方法。

背景技术

流量矩阵是网络管理和流量工程中的重要输入参数，它表示网络中所有源-目的节点之间的流量需求分布情况，反映了通信网络中网络层的特性。然而，随着网络规模的不断扩大，由于网络设备缺乏主动配合，网络服务提供商处于商业秘密考虑，以及流量矩阵测量将占用额外的网络资源等原因，通过直接测量得到准确的流量矩阵变得非常困难。目前端到端网络流量的重构引起了研究人员的广泛关注，被网络操作员用来进行网络规划、路由规划、评估新路由协议的性能以及分析网络故障等网络操作中。

作为一项重要的技术，网络层析成像广泛应用于大规模IP骨干网中，其依据链路负载和路由矩阵重构端到端的网络流量，但该方法具有高度的病态特性和欠定性。因此，为了准确地获得端到端网络流量，提出了一些方法来克服这些特性。Y.Zhang等提出了用重力模型描述目前端到端流量的特性，通过获得额外的约束信息，以克服高度病态的问题；A.Lakhina等提出了主成分分析法直接测量并构建端到端流量重构模型；A.Soule等基于端到端流量的独立同分布泊松模型假设，提出迭代贝叶斯反演算法和扇出算法来重构端到端流量。这些方法通过对源-目的（OD）流建模或者测量部分OD流来重构端到端流量。然而，统计模型对流量矩阵的先验信息非常敏感。另外，随着当前通信网络规模的日益扩大，各种通信网络(3G和PSTN)和不同多媒体服务器(VoIP和P2P)也引入到通信网络中，一方面使得通信网络变得复杂多样，另一方面，对于这样复杂的网络，其流量不再服从泊松或高斯分布等简单的数学模型。因此，我们必须采取新的方法来解决欠定性的推理问题。

鉴于骨干网流量估计的病态特性和欠定性，仅仅由网络层析成像模型是不能准确估计流量矩阵的。而压缩感知重构算法是一种成熟的处理欠定性问题的技术。因此本发明联合奇异值分解技术与压缩感知技术来寻找欠定线性系统的最优解，以此精确重构出端到端网络流量。

实际上，受压缩感知中约束条件的限制，压缩感知重构算法不能直接用于求解网络层析成像问题。考虑到上述的难题，需要构造一个新的网络层析成像模型，使得该模型遵循压缩感知的约束条件。

发明内容

针对现有技术存在的问题，本发明提供一种时变非平稳网络流量测量方法，以达到利用随机高斯矩阵改变传统网络层析成像模型特性，通过对历史流量进行奇异值分解得到稀疏基，使其满足压缩感知的约束条件，并利用压缩感知重构算法精确重构端到端流量的目的。

一种时变非平稳网络流量测量方法，包括以下步骤：

步骤1、根据IP骨干网络中路由器个数和流量采集间隔时间，采用构建流量矩阵M的方式描述源路由器和目的路由器之间某一时刻流量情况，并采用奇异值分解的方式对源-目路由器的流量进行处理；

所述流量矩阵M的每一个行表示通过一个源-目的路由器的网络流量信息；所述流量矩阵M的每一个列表示某一时刻通过全部源-目的路由器的数据包数量；其中，所述的IP骨干网络中包含Q个路由器；流量矩阵M为一个N×P的矩阵，其中N=Q²，P为时间长度；

步骤2、通过路由器获取历史流量数据，并将该流量信息发送给网络管理站，管理站采用奇异值分解的方式对源-目路由器的历史流量进行处理；

步骤3、采用将历史流量矩阵主成分代替流量矩阵主成分的方式重新描述网络流量；

步骤4、采用通过高斯随机矩阵构建新的网络层析成像模型的方式来描述源路由器到目的路由器的流量、路由的选择和链路负载之间的关系，使其满足压缩感知的条件，方法为：

利用高斯随机矩阵G描述链路负载与流量矩阵M之间的随机汇聚关系：

GY=GAV~′Σ~U~T---(1)]]>

即可得：