一种基于开/关源模型的网络关键节点自相似流量生成简化方法

摘要

一种基于开/关源模型的网络关键节点自相似流量生成简化方法，包括如下步骤：（一）构建网络拓扑结构图，并确定关键节点；（二）计算关键节点介数和关键节点流量分布随输入参数变化规律；（三）确定边缘节点产生数据的开/关源模型初始参数；（四）反馈调节输入参数，使关键节点流量统计特征与目标值相同。通过以上四个步骤，达到了基于开/关源模型的网络自相似流量生成简化的目的。本发明能够提供大规模网络仿真以及试验中关键节点的流量生成的简便方法，该方法能够保证在统一的、简单的边缘节点流量输入情况下得到复杂的、多元的边缘节点流量输入相同的流量应力，从而为能够有效的分析关键节点的性能提供了流量应力，具有很好的实用性和经济价值。

说明书

技术领域

本发明提供一种基于开/关源模型的网络关键节点自相似流量生成简化方法，涉及到基于开/关源模型的网络流量生成简化方法，属于电子信息技术领域。 

背景技术

随着互联网的快速发展、网络应用的多样化以及新型网络应用的快速部署，网络拥塞问题成为网络常见的故障。不同于传统可靠性研究中的构件物理失效，网络拥塞的直接原因是网络构件处理能力不够，大量的流量施加到构件造成的巨大应力是导致拥塞的根本原因。近年来的研究表明，网络中某些关键节点的拥塞故障对整个网络系统可靠性水平有重大的影响（其中关键节点一般定义为网络拓扑中与其连接的节点数最多的节点）。因此，在可靠性分析中，关键节点的应力分析是网络可靠性分析的重要内容，其中该节点承载的流量的统计特征是主要研究内容之一。 

仿真和试验是进行网络研究的重要手段。而对于大规模网络，无论仿真，还是试验，都需要首先解决流量输入过于复杂的问题。目前，网络仿真及试验中的流量生成方法需要根据实际网络的使用情况在各个终端配置流量输入，需要考虑信息源、信息目的、任务开始以及结束的时刻、每一个信息源的信息分布等众多因素，不同的信息源由于业务类型不同需要按照不同的模型配置输入，对于大规模网络，这种流量输入方式十分繁琐。自相似性、长相关性是Leland等人通过长期对Internet网络中的某些中间节点数据收集分析得到的流量统计特征，后续的研究也验证了该结论。开/关源模型是指节点处于开和关严格交替状态，开状态节点发送数据，关不发送数据。开/关源模型从物理角度阐述了流量生成机制，简单实用，而且可以通过源端级网络节点生成流量，通过配置流量传输路径，可以在中间节点形成生成自相似流量，这为简化大规模网络仿真及试验中的流量生成方法指明了一条思路。 

当前，以开/关源模型为仿真或试验流量输入模型的方法还存在如下问题：（1）开/关源模型仅仅局限于多个开/关源聚合流量的描述，对某一具体的网络拓扑，网络中流量呈现出的统计规律与输入关系缺乏研究方法；（2）在真实网络仿真及试验中，网络承载多样的业务，如何简化流量输入使得能够统一以开/关源输入，和使得网络中某些关键节点承载的流量与模拟流量统计特征相同。 

发明内容

（1）本发明的目的 

本发明一种基于开/关源模型的网络关键节点自相似流量生成简化方法，目的是为了解决对于特定拓扑结构网络试验或仿真时流量输入过于复杂的问题，提供一种基于开/关源模型的网络关键节点自相似流量生成简化方法，统一网络边缘节点流量输入，通过调整输入参数，使得网络关键节点承载的流量统计特征与简化之前保持一致。 

（2）技术方案： 

本发明一种基于开/关源模型的网络关键节点自相似流量生成简化方法，提出的流量输入简化方法具有如下假设条件： 

假设1假设当网络规模很大时，其拓扑结构可以根据实际网络抽象为复杂网络理论中的结构图（无标度或者规则网）； 

假设2假设网络中只有边缘节点产生数据流量； 

假设3假设网络传送数据是以最短路径发送数据； 

假设4假设描述网络中流量的统计特征是如下三个统计量：流量均值(F_mean),流量方差(F_υar)以及自相似参数（Hurst参数或H)。如果简化前后流量上述三个统计量相同，就说流量一致。 

基于上述假设，本发明提供一种基于开/关源模型的网络关键节点自相似流量生成简化方法，具体步骤如下： 

步骤一：构建网络拓扑结构图，并确定关键节点 

包括两个部分，分别为： 

首先，把待分析网络的拓扑结构抽象成图，实施方法如下： 

（1）若该拓扑结构的节点数在100及100以下，则分别对各节点依次编号1，2，…，n,根据其连接情况建立网络拓扑的邻接矩阵(A((a_ij)_n×n))（两节点i,j相连，则a_i，j＝1，否则为0）。 

（2）若该拓扑结构的节点数100以上，则通过分析其拓扑度特征，用计算机生成其拓扑结构图，并得到A。这种模拟方法通常根据复杂网络中转化出来的网络模型（无标度网络、规则网络等）来替代真实网络。 

其次，根据得到的邻接矩阵(A((a_ij)_n×n)),得到边缘节点(s),关键节点(K),实施方法如下： 

（1）把A的每一列相加得到节点度向量(v); 

（2）把V中元素为1的节点选取出来把编号存入S((s_1,j)_1×n),即为边缘节点； 

（3）把V中值最大的数对应的节点编号取出存入K，即为关键节点。 

步骤二：计算关键节点介数和关键节点流量分布随输入参数变化规律 

实施步骤如下： 

（1）在Matlab中构建步骤一中分析确定的网络，即邻接矩阵； 

（2）对每一个边缘节点(S(i)),等概率随机选择目标节点(T(j))（目标节点可以是除了S(i)之外的任何节点），通过最短路径算法（Dijkstra算法）搜寻S(i)→T(j)的最短路径(Path(i))，计算所有的最短路径经过关键节点的条数，也即关键节点介数(M)； 

（3）对每个S(i),以开/关模型产生数据，沿Patl](i)发送数据到目标节点； 

（4）采用控制变量法分析关键节点的流量分布特征随开/关模型参数的变化规律，其中开/关模型包含三个参数：开/关阶段持续时间服从柏拉图分布，包括尺度参数(α)和形状参数(k),开状态数据发送速率(υ)。 

步骤三：确定边缘节点产生数据的开/关源模型初始参数 

关键节点中流量所需呈现的统计特征已知，对每一个边缘节点S(i),以开/关源模式产生流量，并沿Path(i)发送到T(j),配置流量生成的开/关模型参数值，实施步骤如下： 

（1）根据F_mean＝Mυ/2，确定

（2）柏拉图(k，α)分布中α＝3-2H^*，根据根据可推得 

$>k={\left(\frac{2F_{\mathrm{\upsilon ar}}^{*}\alpha (3-\alpha )(2-\alpha )}{M{\upsilon }^2(\alpha -1)}\right)}^{\frac{1}{\alpha -1}}$>

（3）根据上述确定的参数，在边缘节点统一配置上述参数的开/关源输入。 

步骤四：反馈调节输入参数，使关键节点流量统计特征与目标值相同 

实施步骤如下： 

（1）在Matlab中运行步骤二确定的网络，并在边缘节点统一按照步骤三中确定的输入参数产生流量； 

（2）在关键节点设置探针，收集流量信息，对比分析收集到数据的均值、方差与Hurst参数，如果与目标一致，则结束，否则，根据步骤二中的得到的边缘输入参数与关键节点流量统计特征的变化规律，有针对性的调节参数，直至探针收集到的统计特征与目标相符，结束程序； 

（3）返回配置参数，即为简化后的统一配置输入参数值。 

通过以上四个步骤，达到了基于开/关源模型的网络自相似流量生成简化的目的。 

其中，在步骤一中所述的根据复杂网络中转化出来的网络模型（无标度网络、规则网络 等）来替代真实网络，是指若节点度的规律符合某一特性（如无标度性），则定义为无标度网络，其计算机模拟网络（如无标度网络）有很多成熟方法，本例采用BA择优生成法； 

其中，在步骤二中所述的分析关键节点流量分布特征随开/关模型参数的变化规律，是指通过控制边缘节点统一配置的参数与流量在关键节点的统计特征的关系； 

其中，在步骤三中所述的在边缘节点统一配置上述参数的开/关源输入，其中上述参数将在Matlab中作为输入变量； 

（3）优点和功效：本发明一种基于开/关源模型的网络关键节点自相似流程生成简化方法，其优点是： 

①本发明能够提供大规模网络仿真以及试验中关键节点的流量生成的简便方法，该方法能够保证在统一的、简单的边缘节点流量输入情况下得到复杂的、多元的边缘节点流量输入相同的流量应力，从而为能够有效的分析关键节点的性能提供了流量应力。 

②本发明在流量生成源端级以开/关的方式，模拟产生流量，并以最短路径的方式随机发送到另一节点，这种流量的生成方式客观的模拟了关键节点的流量产生方式； 

③本发明提供了一种分析源端生成流量的参数与关键节点流量统计特征参数间的关系方法； 

④本方法还具有很好的实用性和经济价值：一方面能够精确的模拟关键节点承受的流量大小，能够有效的应用于网络仿真和实验；另一方面能在网络设计阶段或业务配置阶段提前对网络关键节点选取上提供参考，避免浪费或者设备性能不足。 

附图说明

图1本发明实施例的网络模拟拓扑图 

图2本发明实施例中真实收集数据与仿真收集得到的关键节点流量图 

图3本发明所述方法的流程框图 

具体实施方式

下面将结合附图和实施例对本发明做进一步详细说明。 

本发明中的流量生成简化模型是指根据不同类型的业务，在边缘节点输入过于复杂的情况下，简化输入方式：以相同的配置统一边缘节点流量产生方式。本发明中不要求网络拓扑结构，若节点数不多，则按照实际连接输入拓扑结构，若节点数很多，则通过分析拓扑特性，用计算机模拟其拓扑结构，保证其物理结构不变。 

以下实施例中的网络拓扑结构复杂，包含1000个节点，其中包括656个边缘节点和344个中间节点。根据其物理属性分析，是一个典型的无标度网络，网络中节点度呈现出幂律分布， 是自然界中最普适的属性，在计算机网络中是非常的有代表性。同时，假定该网络承载了四类业务：VoIP、WWW浏览业务、FTP业务和MPEG视频流业务，并进一步假设请求每类业务的节点数相同（也即每类业务是由相同的边缘节点产生的），根据实际统计，四种业务源模型定义如下列表1（a）、(b)、(c)、(d)所示： 

表1（a）是WWW浏览业务模型参数及取值 

表1(b)是FTP业务模型参数及取值 

表1(c)是MPEG视频流业务模型参数及取值 

表1(d)是VoIP业务模型参数及取值 

综上所述，本发明给出了一种基于开/关源模型的网络关键节点自相似流量生成简化方法。该方法假定网络流量的统计特征由均值、方差以及自相似参数决定，并规定网络流量由边缘节点产生。首先确定待分析网络物理属性，和边缘节点和关键节点；然后计算关键节点介数，仿真分析关键节点流量统计特征随输入参数变化规律；其次以确定的关键节点流量统计特征为基础，统一配置仿真输入的开/关模型初始参数；最后在关键节点设置探针统计其流量特征，如果与目标相同，则返回输入参数值，否则根据步骤二得到的规律调整输入参数，以此得到简化输入模式。本发明考虑了在网络承载多业务的流量输入复杂的情况下，仿真试验难以进行，为此提供一种简化输入方式。 

以下实施例是按照下面步骤进行实施的，本发明一种基于开/关源模型的网络关键节点自相似流量生成简化方法，如图3所示，该方法具体步骤如下： 

步骤一：构建网络拓扑结构图，并确定关键节点 

包括两个部分，分别为： 

首先，把待分析的网络的拓扑结构抽象成图，实施方法如下： 

（1）根据实物网络中的特征，该网络是一个含有1000个节点的典型无标度网络，其中边缘节点是656个，中间节点344个。分析其度分布特征，其属于典型的无标度网络； 

（2）通过在Matlab采用BA择优法进行仿真网络，保证无标度属性、边缘节点数和中间节点数不变，得到邻接矩阵(A)。 

其次，根据得到的邻接矩阵(A((a_ij)_n×n)),得到边缘节点(s),关键节点(K),实施方法如下： 

（1）把A的每一列相加得到节点度向量(v); 

（2）把V中元素为1的节点选取出来存入S即为边缘节点，共有656个元素； 

（3）把V中最大的数代表的节点存入K，即为关键节点。也即度最大的节点。 

步骤二：计算关键节点介数和关键节点流量分布随输入参数变化规律 

根据步骤一得到的邻接矩阵，直接在Matlab中画出其拓扑图，如图1所示，下面确定关键节点的介数和探寻统计规律，实施步骤如下： 

（1）对每一个边缘节点s(i)，等概率随机选择目标节点T(j),通过Dijkstra算法搜寻S(i)→T(j)的最短路径Path(i),可以得到关键节点的介数M＝503; 

（2）对每个s(i)，统一以相同配置的开/关模型产生数据，沿Path(i)发送数据到目标节点；其中开/关模型指开、关状态严格交替，节点在开状态时以恒定速率v产生数据，在关状态时不产生数据，每个阶段持续时间相互独立且均服从柏拉图(k，α); 

（3）采用控制变量法分析关键节点的流量分布特征随（υ，k,α)变化规律，如下列表2所示： 

表2实施例中节点流量分布规律的理论分析与仿真结果对比 

步骤三：确定边缘节点产生数据的开/关源模型初始参数 

根据关键节点的统计规律通过收集得到$>(F_{\mathrm{mean}}^{*},F_{\mathrm{\upsilon ar}}^{*},H^{*})=\left(\mathrm{1884.3,8953.8,0.9467}\right),$>首次配置(υ，k，α)为：υ＝7.492，α＝1.1066，k＝10. 

步骤四：反馈调节输入参数，使关键节点流量统计特征与目标值相同 

实施步骤如下： 

（1）在关键节点设置探针，收集流量信息，在Matlab中运行基于步骤一到步骤三的程序，对比分析收集到的数据的均值、方差与Hurst参数： 

（2）初次输入得到的参数(1874.5，6828.7，0.9216)，对比可以发现，只有方差与目标值差距很大，根据表2中统计规律，当M或v变化时，流量均值与方差均显著改变，这里流量均值已经接近目标值，只需增大流量方差和H以接近目标值，因此这里仅仅调整k和α的值； 

（3）通过多重循环获取最优的三元组(υ，k，α)＝(7.4922，95，1.0066)，并且统计值为：(1879.6，8777.9，0.9331)，与目标值几乎一致。 

通过(1)中多次调整，得到收集的流量与真实流量的对比如图2所示，可以从图中看到，仿真开始阶段两种输入方式下关键节点的流量分布有明显差异，但是很快两条分布曲线就变得十分接近，从而简化输入方式得到了与目标流量相似的流量分布。