本文關(guān)鍵詞：高速網(wǎng)絡(luò)中的大流識別技術(shù)研究，由筆耕文化傳播整理發(fā)布。

【摘要】：網(wǎng)絡(luò)流量測量是網(wǎng)絡(luò)安全、帶寬控制和流量計費(fèi)的基礎(chǔ)。但是在高速骨干鏈路中,要處理海量的流量數(shù)據(jù),對網(wǎng)絡(luò)流量進(jìn)行準(zhǔn)確測量,難度很大。傳統(tǒng)的面向數(shù)據(jù)包級的全數(shù)據(jù)采集測量方法已不再適用,現(xiàn)在對流量的測量主要采取面向網(wǎng)絡(luò)流的測量方法。研究表明,網(wǎng)絡(luò)流普遍服從重尾分布,即少數(shù)流占據(jù)了絕大部分流量。所以通過關(guān)注大流信息,就可以滿足對網(wǎng)絡(luò)情況的了解。但是在高速骨干網(wǎng)絡(luò)鏈路中,數(shù)據(jù)包到達(dá)的速率極快。在網(wǎng)絡(luò)大流識別過程中,大量小流突發(fā)到來,會對大流的識別造成影響。本文中,先研究了哈希技術(shù)、LRU技術(shù),結(jié)合它們各自的優(yōu)勢,采用了“小流過濾”和“大流預(yù)保護(hù)”的策略,形成了一種新的大流識別算法。此算法先使用哈希技術(shù)對流信息過濾,將達(dá)到過濾閾值的流信息轉(zhuǎn)移至LRU結(jié)構(gòu)進(jìn)行大流篩選,將識別出的大流進(jìn)行隔離保護(hù),并使用合理的策略選擇淘汰流信息。經(jīng)過理論分析和實(shí)驗(yàn)驗(yàn)證,此算法的時間復(fù)雜度和空間復(fù)雜度均較低,對大流的識別準(zhǔn)確率較高。為了進(jìn)一步減小算法的漏報率,提高大流識別準(zhǔn)確度,本文中還研究了抽樣技術(shù),在算法中加入了淘汰流的二次篩選過程。根據(jù)淘汰流成為大流的潛力,來確定對它抽樣的概率。把抽中的流信息放入二次篩選區(qū),當(dāng)滿足一定條件后,將重新放回LRU結(jié)構(gòu)。經(jīng)過分析,此方法能有效防止大流信息的誤淘汰,雖然為算法增加了少量存儲需求,但在當(dāng)前硬件環(huán)境中完全能滿足。最后,對本文的工作進(jìn)行了總結(jié),結(jié)合分析中遇到的問題,為下一步研究指明了方向。
【關(guān)鍵詞】：大流 識別 布魯姆過濾器 抽樣 LRU
【學(xué)位授予單位】：江南大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2015
【分類號】：TP393.06
【目錄】：

• 摘要3-4
• Abstract4-7
• 第一章 緒論7-12
• 1.1 研究背景和意義7-8
• 1.2 國內(nèi)外研究現(xiàn)狀8-10
• 1.3 本文研究內(nèi)容10
• 1.4 本文的結(jié)構(gòu)安排10-12
• 第二章 背景知識綜述12-25
• 2.1 網(wǎng)絡(luò)流簡介12-13
• 2.1.1 流的概念12
• 2.1.2 流的重尾分布特性12-13
• 2.1.3 針對網(wǎng)絡(luò)流研究的必要性13
• 2.2 網(wǎng)絡(luò)測量技術(shù)分類13-15
• 2.3 網(wǎng)絡(luò)大流識別技術(shù)15-16
• 2.3.1 大流識別面臨的問題15
• 2.3.2 大流定義方法15
• 2.3.3 大流識別方法15-16
• 2.4 哈希技術(shù)研究16-22
• 2.4.1 哈希原理16-18
• 2.4.2 Bloom Filter研究18-20
• 2.4.3 基于Bloom Filter的升級算法20-22
• 2.5 LRU技術(shù)研究22-23
• 2.5.1 LRU原理22-23
• 2.5.2 LRU算法在網(wǎng)絡(luò)大流識別中的應(yīng)用23
• 2.5.3 基于LRU改進(jìn)的大流識別算法23
• 2.6 本章小結(jié)23-25
• 第三章 基于FEFS和CBF的網(wǎng)絡(luò)大流識別技術(shù)25-37
• 3.1 基于頻率和大小的流提取算法25-26
• 3.2 基于FEFS和CBF的大流識別算法26-35
• 3.2.1 算法結(jié)構(gòu)26-27
• 3.2.2 算法流程27-30
• 3.2.3 理論分析30-32
• 3.2.4 實(shí)驗(yàn)分析32-35
• 3.3 本章小結(jié)35-37
• 第四章 基于淘汰流保護(hù)的FEFS-CBF算法37-47
• 4.1 抽樣技術(shù)研究37-39
• 4.1.1 抽樣概念37
• 4.1.2 抽樣觸發(fā)機(jī)制37-38
• 4.1.3 抽樣方法38-39
• 4.1.4 抽樣估計與偏差檢驗(yàn)39
• 4.2 基于淘汰流保護(hù)的FEFS-CBF算法39-46
• 4.2.1 算法結(jié)構(gòu)39-40
• 4.2.2 參數(shù)定義與設(shè)定40
• 4.2.3 算法流程40-42
• 4.2.4 理論分析42-43
• 4.2.5 實(shí)驗(yàn)分析43-46
• 4.3 本章小結(jié)46-47
• 主要結(jié)論與展望47-49
• 主要結(jié)論47
• 展望47-49
• 致謝49-50
• 參考文獻(xiàn)50-52
• 附錄: 作者在攻讀碩士學(xué)位期間發(fā)表的論文52

【參考文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前10條

1 王洪波;裴育杰;林宇;程時端;金躍輝;;基于LRU的大流檢測算法[J];電子與信息學(xué)報;2007年10期

2 姚燦中;楊建梅;;冪律擬合的進(jìn)展及其在產(chǎn)業(yè)網(wǎng)絡(luò)中的應(yīng)用[J];管理學(xué)報;2008年03期

3 謝冬青;周再紅;駱嘉偉;;基于LRU和SCBF的大象流提取及其在DDoS防御中的應(yīng)用[J];計算機(jī)研究與發(fā)展;2011年08期

4 程光 ,龔儉 ,丁偉;網(wǎng)絡(luò)測量及行為學(xué)研究綜述[J];計算機(jī)工程與應(yīng)用;2004年27期

5 陳楚;許勇;張凌;;重尾分布對網(wǎng)絡(luò)流量性質(zhì)的影響[J];計算機(jī)應(yīng)用;2009年06期

6 李臻;楊雅輝;張廣興;;大業(yè)務(wù)流識別方法研究綜述[J];計算機(jī)應(yīng)用研究;2011年01期

7 楊望;;CAIDA提供互聯(lián)網(wǎng)數(shù)據(jù)共享服務(wù)[J];中國教育網(wǎng)絡(luò);2008年05期

8 夏靖波;任高明;;大流識別方法綜述[J];控制與決策;2013年06期

9 王風(fēng)宇;郭山清;李亮雄;云曉春;;一種高效率的大流提取方法[J];計算機(jī)研究與發(fā)展;2013年04期

10 張玉;方濱興;張永錚;;高速網(wǎng)絡(luò)監(jiān)控中大流量對象的識別[J];中國科學(xué):信息科學(xué);2010年02期

  本文關(guān)鍵詞：高速網(wǎng)絡(luò)中的大流識別技術(shù)研究，由筆耕文化傳播整理發(fā)布。

，

本文編號：393097