【摘要】：基礎(chǔ)設施網(wǎng)絡(如電力網(wǎng)、互聯(lián)網(wǎng)等)目前已經(jīng)成為人類日常生活不可或缺的設施。在基礎(chǔ)設施網(wǎng)絡設施中,有一些節(jié)點處于網(wǎng)絡中的關(guān)鍵位置(比如跨城、跨國或跨大洲的轉(zhuǎn)送節(jié)點),并且節(jié)點上的負載較大。這類關(guān)鍵節(jié)點的性能在很大程度上影響或制約網(wǎng)絡部分區(qū)域的功能。為了提高基礎(chǔ)設施網(wǎng)絡的性能,需要對網(wǎng)絡中的關(guān)鍵節(jié)點進行有效利用。然而,關(guān)鍵節(jié)點通常是事先未知的,需要在真實網(wǎng)絡環(huán)境中檢測出來。如何檢測互聯(lián)網(wǎng)網(wǎng)絡中的關(guān)鍵節(jié)點是本文所要解決的問題。本文圍繞關(guān)鍵基礎(chǔ)設施檢測問題,實現(xiàn)了互聯(lián)網(wǎng)網(wǎng)絡行為數(shù)據(jù)獲取系統(tǒng),并針對所獲得的數(shù)據(jù),嘗試使用機器學習的技術(shù)來解決。本文的主要貢獻如下：(1)開發(fā)了一種在服務器數(shù)量多、分布廣的條件下的網(wǎng)絡行為數(shù)據(jù)獲取系統(tǒng)。該系統(tǒng)采用混合式P2P架構(gòu),由一臺獨立的服務器作為控制臺,對整個測量任務進行配置以及監(jiān)控,其他所有參與測試的服務器組成一個P2P的網(wǎng)絡進行測量工作。而考慮到路由負載均衡的影響,系統(tǒng)又采用了Paris-traceroute技術(shù)對路徑探測模塊進行設計。在測量的過程中,針對不同的網(wǎng)絡與機房條件,系統(tǒng)設計了不同的通信協(xié)議以供選擇,大大提高了系統(tǒng)的適用性。(2)提出了一種基于分布相似度遷移的互聯(lián)網(wǎng)關(guān)鍵路由設備的檢測算法,其步驟包括：一,在目標域(當前路由)中通過譜聚類方法自動判斷出可疑的路由設備：二,通過分類算法對可疑路由設備進行分類(關(guān)鍵路由設備和非關(guān)鍵路由設備)。對于步驟二,我們提出了基于分布相似度遷移的分類方法。這是由于在真實環(huán)境中,不同線路中不同路由設備的行為特征由于若干客觀因素(網(wǎng)絡狀態(tài),路由設備性能等)導致其分布通常不相同。基于分布相似度遷移的方法能夠度量路由分布之間地差異,從而可以有效地遷移路由的標記。通過在華為公司提供的真實數(shù)據(jù)集上進行測試,結(jié)果表明本文提出方法能夠有效發(fā)現(xiàn)線路中的關(guān)鍵路由設備,同時本文方法能夠根據(jù)不同線路之間的分布相似度遷移來提高分類結(jié)果。
[Abstract]:Infrastructure networks (such as power networks, Internet, etc.) have become indispensable facilities for human daily life. In infrastructure network facilities, some nodes are in the key position of the network (such as trans-city, cross-border or trans-continent transfer nodes), and the load on the nodes is heavy. The performance of such key nodes affects or restricts the functions of parts of the network to a great extent. In order to improve the performance of infrastructure network, it is necessary to make effective use of the key nodes in the network. However, the key nodes are usually unknown in advance and need to be detected in real network environment. How to detect the key nodes in the Internet network is the problem to be solved in this paper. This paper focuses on the key infrastructure detection problem, and implements the Internet network behavior data acquisition system, and attempts to use machine learning technology to solve the acquired data. The main contributions of this paper are as follows: (1) A network behavior data acquisition system with a large number of servers and a wide distribution is developed. The system is composed of a hybrid P2P architecture and a stand-alone server as the console to configure and monitor the whole measurement task. All the other servers involved in the test form a P2P network to carry out the measurement work. Considering the influence of routing load balancing, the system adopts Paris-traceroute technology to design the path detection module. In the process of measurement, different communication protocols are designed for different network and computer room conditions. The applicability of the system is greatly improved. (2) A detection algorithm for Internet key routing equipment based on distributed similarity migration is proposed, the steps of which are as follows: 1. In the target domain (current route), suspicious routing devices are automatically identified by spectral clustering method. Secondly, suspicious routing devices (critical routing equipment and non-critical routing equipment) are classified by classification algorithm. For step 2, we propose a classification method based on distributed similarity transfer. This is because in the real environment, the behavior characteristics of different routing devices in different lines are usually different due to some objective factors (network status, routing equipment performance, etc.). The method based on distribution similarity migration can measure the difference of route distribution, so it can effectively migrate the label of route. Through testing on the real data set provided by Huawei, the results show that the proposed method can effectively discover the key routing equipment in the line. At the same time, this method can improve the classification results according to the distribution similarity transfer between different lines.
【學位授予單位】：南京大學
【學位級別】：碩士
【學位授予年份】：2014
【分類號】：TP393.05

【相似文獻】

相關(guān)期刊論文 前10條

1 鄧冠男;;聚類分析中的相似度研究[J];東北電力大學學報;2013年Z1期

2 張常有,王鋒君,孫林夫;基于灰色系統(tǒng)理論的工程相似度分析[J];計算機應用;2000年S1期

3 孟慶鍇;張剡;楊琬琪;胡裕靖;史穎歡;潘紅兵;王浩;;基于分布相似度遷移的關(guān)鍵路由設備檢測[J];計算機科學;2014年03期

4 辛穎梅;錢海峰;倪魏巍;徐冬梅;孫志揮;;關(guān)于專利類別間相似度量化方法的研究[J];科技創(chuàng)新導報;2009年15期

5 衛(wèi)瑜,曾凡平,蔣凡;基于相似度分析的分布式拒絕服務攻擊檢測系統(tǒng)[J];計算機輔助工程;2005年02期

6 蔣占四;陳立平;羅年猛;;最近鄰實例檢索相似度分析[J];計算機集成制造系統(tǒng);2007年06期

7 張乃洲;李石君;余偉;張卓;;使用聯(lián)合鏈接相似度評估爬取Web資源[J];計算機學報;2010年12期

8 劉嘉;祁奇;陳振宇;惠成峰;;ESSK:一種計算點擊流相似度的新方法[J];計算機科學;2012年06期

9 鄒李;杜小勇;何軍;;B3:圖間節(jié)點相似度分塊計算方法[J];計算機科學與探索;2010年09期

10 劉臻,宮鵬,史培軍,Sasagawa T,何春陽;基于相似度驗證的自動變化探測研究[J];遙感學報;2005年05期

相關(guān)重要報紙文章 前1條

1 劉榮霞 周婷婷 畢開順;質(zhì)量好不好“指紋”能查到[N];中國醫(yī)藥報;2003年

相關(guān)博士學位論文 前1條

1 李孝忠;不確定變量間的距離和相似度研究[D];天津大學;2009年

相關(guān)碩士學位論文 前7條

1 孟慶鍇;基于分布相似度遷移的關(guān)鍵路由設備檢測[D];南京大學;2014年

2 徐川;論文相似度分析系統(tǒng)設計[D];山東大學;2012年

3 于海英;程序代碼相似度識別的研究[D];內(nèi)蒙古師范大學;2006年

4 賈亮;基于神經(jīng)網(wǎng)絡和相似度分析的成本估算系統(tǒng)研究[D];浙江大學;2010年

5 曾鵬;語句相似度算法研究及其在題庫開發(fā)中的應用[D];電子科技大學;2013年

6 楊健梅;基于相似度分析的數(shù)字多媒體被動取證研究[D];福建師范大學;2015年

7 程欣欣;心電信號QRS波檢測與分類研究[D];華東理工大學;2011年

，

本文編號：2443110