三元分组列车的网络拓扑论文范文

本站小编为你精心准备了三元分组列车的网络拓扑论文参考范文，愿这些范文能点燃您思维的火花，激发您的写作灵感。欢迎深入阅读并收藏。

1结合双参数测量方法

针对上述方法存在的不足，在其基础之上提出一种结合双参数测量方法，使得新方法受网络负载的影响较小，且推断准确度较上述方法有所提高．主要分为两个阶段测量:第一阶段测量各个叶子节点的高度，用以将逻辑拓扑构造为实际的物理网络拓扑．第二阶段:测量节点对之间的性能参数值(丢包率和时延抖动)，并根据公式计算节点间相关性值，推测网络的拓扑结构．

1．1测量网络节点的高度发送多组短数据包序列到网络中的各个边缘节点，短数据包的携带信息包括其发送序号、递增的TTL值等，发送时刻的TTL值也是短数据包在分组序列中的序号．原理是:短分组每次到达一个节点，TTL值减1，当TTL值为0时，将此分组丢弃;当有数据包到达目的叶子节点时，停止发送数据包，统计到达的数据包的序号;将此过程执行多次，在最终统计的多个结果中筛选最优值，此最优值即为叶子节点在网络树中所处的高度．某一组短数据包序列如图3所示．

1．2节点相关性计算改进的三元分组序列测量的性能参数包括时延抖动和丢包率，将时延抖动和丢包率按比例结合，即可作为节点间的相关性．设T=(V，L)表示树状拓扑，其中V为节点集，L为链路集．令a(i，j)为叶节点i和j的父节点，在源节点s，三元分组列车内2个短分组的发送间隔为T，短分组的目标地址为Dx，长分组的目标地址为Dy．

丢包率［8］，是指测试中所丢失数据包数量占所发送数据包的比率，通常在吞吐量范围内测试．将丢包率和时延抖动两个参数相结合，计算节点间的相关性，使得此算法在任何网络负载下都能推断出正确的结果．为了适应背景流量动态变化的网络，该文中使用报文丢包率来平衡丢包率和时延抖动在节点相关性计算中所占的比重，由于丢包率和时延抖动是两个不同量纲的参数，故先将这两个参数标准化，之后对它们加权求和．设D(T)、D(E)分别是T和E的方差;M(T)和M(E)分别是T和E的最小值;Tij表示目标节点对为(i，j)时的时延抖动;Eij表示目标节点对上述计算相关性的方式，在丢包较严重时主要依据为丢包率，而在丢包较轻时，主要依据为时延抖动，达到在任何负载情况下都能准确表征节点之间的相关性．

1．3网络拓扑推断算法算法的思路:按节点的层次信息将叶节点进行聚类，并依据双参数结合得到的相关性值逐层向上推断网络的拓扑树．

2仿真实验及性能分析

2．1仿真实验基于NT技术的网络拓扑推断是根据在边缘节点收集到的信息，推断中间节点的连接情况．以图4为例，在NS2［10］环境下进行了多个仿真实验，实验中采用树状拓扑结构．背景流量以TCP为主同时包含适当的UDP，采用发送时间受控的可变速率CBR数据包用来模拟网络负载情况．假定网络内部节点采用随机检测(RED)丢包策略，与叶节点相连的链路带宽均为500Kbps，时延为10ms;其他链路带宽为1Mbps，时延为15ms;内部节点缓冲区大小为20．三元分组列车内两个短分组之间的时间间隔为10ms，每轮发送的三元分组列车序列由50个三元分组组成，在不同的网络负载情况下，进行多轮测量．根据样本丢包率的取值区间［0，0．01)、［0．01，0．1)、［0．1，0．2］将网络负载分为较轻、适中和较重三种情况．采用了树编辑距离［11］作为评价推断拓扑的有效性参数，其代表了推断树与原拓扑树之间转换的最小开销．用横坐标表示探测包的发送轮数，纵坐标表示树编辑距离，在三种情况下分别将单参数算法与综合双参数的算法进行比较，仿真结果如图9、图10、图11所示．图9－11为仿真试验中使用不同推断算法获得网络逻辑拓扑时，树编辑距离收敛的结果．图9是网络负载较轻的情况下，两种算法的比较，图中显示，负载较轻情况下单参数测量与双参数测量的效果近似相同，当探测包的发送轮数大于80(即探测包个数为400)时，树编辑距离的收敛速度均趋于稳定．图10显示网络负载适中情况下，两种算法的推测的有效性，显然，双参数的推测效果优于单参数，但此时基于单参数的推测算法还是有效的．图11为网络负载较严重的情况下，两种算法的效果比较，此时，可以看出，单参数方法的推测准确度明显降低，而双参数方法的收敛受到网络负载的影响并不很明显．显然综合参数的算法，在任意负载情况下均具有有效性，故其准确度和有效性均优于单参数的算法．

2．2性能分析对于图4所示拓扑，按照一般的拓扑推断方法，要发送的探测包的叶节点对数量将是C215=105对，而使用该文提出的方法，叶节点对的个数是45对，探测包的发送量减少了57%．但此方法对于探测包的发送量与拓扑结构关系较大，若目标网络的拓扑是满二叉树，且所有节点均在最下层，最好情况下仅需(n－1)对目标地址对即可完成网络拓扑的推断，如除了最下层，每层仅有一个叶节点的二叉树．总体而言，网络结构层次越复杂，越能突出此算法的优势．但此方法的推断准确度不受目标网络拓扑结构的影响，任何形式的拓扑均能由此方法推出，且准确度高于一般的推断方法，可通过仿真实验证明．

3结束语

提出的推断方法适用于任意规模、任意负载情况的网络拓扑推断，且在目标网络拓扑较复杂时，能在很大程度上减少探测包的发送量，减轻了额外往网络中注入的流量．但是在探测包的缩减方面还有待提升，还未将算法的应用推广到网状拓扑的推断中．

作者：吴辰文谢云燕孔德弟单位：兰州交通大学