基于加权一阶局域法的公共拥塞路径检测方法

摘要

本发明涉及一种网络信息技术领域的基于加权一阶局域法的公共拥塞路径检测方法。本发明在被测网络系统两端构造两个探测流并分别进行采样，得到两个探测流的端到端时延序列；其中一个探测流继续采样，得到一个延时序列；采用加权一阶局域法对两个时延序列进行预测，寻找待预测点在重构相空间中最邻近的点作为预测结果；将预测结果和采样得到的延时序列作比较，计算相对误差，得到预测结果的相似性；根据两个探测流预测结果的相似性判断是否存在公共拥塞路径。本发明基于混沌信号处理技术对网络流量特征进行检测，从而得出对其是否经过共同拥塞路径的判断，本发明在同等收敛速度下具有更高的判断准确性。

说明书

技术领域

本发明的是一种网络信息技术领域的路径检测方法，具体地说，涉及的是一种基于加权一阶局域法的公共拥塞路径检测方法。

背景技术

网络拥塞信息对于网络资源管理是至关重要的，而其中一个基本问题是如何准确地判断出两个流是否经过了公共拥塞路径。这种信息对于重叠网络则更为重要，因为重叠网络的网络拓扑不能预先知道，仅靠试探的方法建立连接，这可能导致大量的流经过同一段瓶颈路径。如果这种公共拥塞信息能够被及时检测到，就能够调整路由策略或改变重叠网络的拓扑结构来避免瓶颈路径的出现，从而优化网络性能。

经对现有技术的文献检索发现，2002年Rubenstein等在《IEEE/ACMTransactions on Networking》上发表的《Detecting shared congestion of flowsvia end-to-end measurement》一文中提出的一种用计算互相关性检测公共拥塞路径的方法，他们的方法利用一个泊松过程向两条路径发送检测包，用两个检测流端到端时延序列的互相关系数作为判断是否经过公共拥塞路径的标准。这种方法基于线性计算技术对网络流量的特征参数进行分析，从而进行判断。其优点是复杂度低，收敛速度快。但是，网络本身是一个复杂的非线性系统，仅仅用基于线性计算分析技术的方法很难对网络流量行为做出准确的估计，这也限制了这种方法的性能。

发明内容

本发明的目的在于针对现有技术的不足，提供一种基于加权一阶局域法的公共拥塞路径检测方法，结合重叠网络拥有的智能节点和分布式计算能力，以及拥塞环境下网络流量的非线性系统特性，基于混沌信号处理技术对网络流量特征进行检测，从而得出对其是否经过共同拥塞路径的判断。本发明在同等收敛速度下具有更高的判断准确性。

本发明是通过以下技术方案实现的，本发明首先在被测系统两端构造探测流量，利用其端到端时延序列作为其行为特征量，然后基于加权一阶局域法对时延序列进行预测并与实际网络行为作比较，最后将预测结果的相似性作为参数来判断两个网络流是否经过了公共拥塞路径。网络中端到端时延的变化主要决定于路径中路由器缓存队列长度的变化。重负载会导致拥塞，此时由于路由器缓存队列长度变化较大，则端到端时延也会有较大的波动。相反，当负载较轻时，时延则相对稳定。因此，端到端时延序列的特征能够很大程度上反映网络的运行状况。当两条网络流连接经过同一段拥塞路径时，它们的端到端时延序列就会表现出一些相似的特性，本发明正是基于这一原理，采用非线性系统分析方法提取两个网络流时延序列的相似性特征量，从而判断出两条网络流是否经过了公共拥塞路径。

本发明包括如下步骤：

步骤一：在被测网络系统两端构造两个探测流并分别进行采样，得到两个探测流的端到端时延序列；

步骤二：对步骤一其中一个探测流继续采样，得到一个延时序列；

步骤三：采用加权一阶局域法对步骤一的两个时延序列进行预测，寻找待预测点在重构相空间中最邻近的点作为预测结果；

步骤四：将步骤三得到的两个采样序列的预测结果和步骤二采样得到的延时序列作比较，计算相对误差，得到预测结果的相似性；

步骤五：根据两个探测流预测结果的相似性判断是否存在公共拥塞路径。

所述的步骤一，具体为：从自身时钟的某时刻开始，两个探测流分别以一定速率发送一个UDP包队列，同时加盖时间戳，每一个这样的UDP包称作一个检测包。当收到一个检测包后，流的目的节点计算端到端时延并发送，并同时将原始的时间戳一并发送至源节点。然后源节点记录端到端时延和时间戳作为一个延时采样。两个采样延时序列用于后续的加权一阶局域法预测。

所述的步骤二，具体为：选择步骤一两条路径的其中一条路径继续采样一段时间，得到序列D_actual(1，2，…n)，D_actual反映了实际的网络行为，用于和后面的预测序列进行比较。

所述的步骤三，具体为：分别采用步骤一得到的两个采样延时序列用相空间重构的方法对系统进行建模拟合，然后利用加权一阶局域法对采样序列进行预测，预测的主要原理是寻找待预测点在重构相空间中最邻近的点作为预测结果，然后将预测结果用于误差比较。

所述的步骤四，具体为：分别计算两个预测序列相对于标准序列D_actual(i)的平均相对误差err_x和err_y，同时，用它们的相似性作为参数来判断是否存在公共拥塞。err_x和err_y的差为err，由于err能够反映出两次预测结果的相似程度，因此可以作为判断两个流是否经过了公共拥塞路径的标准。

所述的步骤五，具体为：在公共拥塞判决单元将步骤四所得的预测误差的相似程度与判决门限进行比较，若大于判决门限则认为两条链路经过了公共拥塞，反之则认为两条链路是独立的。其中判决门限的计算根据以往统计数据结合概率论中最大似然估计的方法来确定。

本发明的优点在于：从系统的观点分析问题，充分把握拥塞网络的混沌特性，采用非线性方法对网络进行准确建模；基于重叠网络分布式的计算能力，采用基于混沌预测的方法，提取采样延时序列的相似性，并对预测结果误差比较来判断是否产生公共拥塞。因此，在将本发明应用到协作拥塞控制及重叠网络构建时，可以准确的对网络中是否产生公共拥塞进行判断，从而有效的提高网络带宽的利用率，保持整个网络系统的稳定性，优化网络资源的配置。总之，与相关的公共拥塞检测方法相比，本发明能够对网络进行更精确的分析，具有更高的精确性和快速的收敛性，在重叠网络飞速发展的今天，具有非常广泛的应用前景。

附图说明

图1为本发明所用的网络模型的拓扑图。

图2为本发明实施例的流程图。

图3为仿真实验的网络拓扑图。

图4为长TCP背景流环境下的仿真结果；

其中：图(a)是长TCP流公共拥塞的判定正确率与采样时间的关系图；

      图(b)是长TCP流独立拥塞的判定正确率和采样时间的关系图。

图5为UDP背景流环境下的仿真结果

其中：图(a)是UDP流公共拥塞的判定正确率与采样时间的关系图；

      图(b)是UDP流独立拥塞的判定正确率和采样时间的关系图。

图6为短TCP背景流环境下的仿真结果

其中：图(a)是短TCP流公共拥塞的判定正确率与采样时间的关系图；

      图(b)是短TCP流独立拥塞的判定正确率和采样时间的关系图。

具体实施方式

下面结合附图对本发明的实施例作详细说明：本实施例在以本发明技术方案为前提下进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。

以图1所示网络拓扑说明具体实施例，这种哑铃模型是对真实网络的一种简单抽象，不影响本发明实施的一般性。

在图1中，X_src到X_dst和Y_src到Y_dst表示了因特网上两条有公共路径的连接，S到T段为它们的公共路径。令X的端到端时延为D_x，Y的端到端时延为D_y。D_x和D_y分别由两部分组成：从S到T的时延d_s，以及其他非公共路径的时延，分别用d_x，d_y表示。

D_x＝d_s+d_x

D_y＝d_s+d_y                       (1)

图2是本实施例的实现流程图，图中各部分与上述技术方案各个步骤相对应，同时也标出了各个步骤所采用的处理单元，其中采样单元主要对探测流进行采样，获得端到端时延序列；加权一阶局域法预测单元采用加权一阶局域计算方法对实验序列进行预测；预测误差比较单元主要将两个探测流的预测误差进行处理，并计算出两个探测流采样时延序列的相似性；公共拥塞判决单元主要利用采样实验序列的相似性和设定的门限值对是否发生公共拥塞做出二进制判决。

本实施例具体步骤实施如下：

步骤一，结合图1具体说明采样的过程：两个探测流分别从X_src，Y_src流向X_dst，Y_dst。以X_src到X_dst为例，X_src向X_dst发送一个UDP包队列(探测流采用UDP协议)，其中发送速率设为f，同时加盖时间戳，从自身时钟的t₀时刻开始。每一个这样的UDP包称作一个检测包。检测包以一个固定的速率被发送直到t₀+T，这里T是检测间隔。当收到一个检测包后，X_dst计算端到端时延并同时将原始的时间戳一并发送返回至X_src。然后X_src记录端到端时延和时间戳作为一个延时采样。Y_src到Y_dst也以相同方法收集延时采样。这里记两条路径的采样序列分别为D_{x_sample}(1，2，…，n)和D_{y_sample}(1，2，…n)，且采样点数N＝Tf。采样过程采用对应的采样单元实现，两个采样延时序列分别被送往加权一阶局域法预测单元。由于网络丢包的影响，可能会使两个探测流的数据包序列产生严重的不同步，这对于随后的预测处理的精确性有很大的影响。本方法在消除该负面影响方面采用的解决技术是对原始的时延序列进行线性内插，即，如果某一个包丢失，那么这个包的时延就取相邻两个包的时延的平均值。

步骤二，在图1中的两条路径中选择一条路径(不妨选择X_src到X_dst)继续采样一段时间T₁，得到序列D_actual(1，2，…n)，D_actual反映了实际的网络行为，用于和后面的预测序列进行比较，此时采样点数：

N_pre＝T₁f，                (2)

序列D_actual被送往预测误差比较单元。

步骤三，即为加权一阶局域法预测单元的实现，具体为：分别利用步骤一得到的D_{y_sample}(i)，D_{x_sample}(i)对后面的N_pre个点进行预测，N_pre应该和T₁时间内采样得到D_actual序列的长度相同。预测采用的方法为加权一阶局域法，其基本原理是将相空间轨迹的最后一点作为中心点，把离中心点最近的若干轨迹点作为相关点，然后对这些相关点进行拟合，再估计轨迹下一点的走向，最后从预测出的轨迹点的坐标中分离出所需要的预测值。在本方法中首先采用相空间重构的方法将两个待预测延时采样序列D_{x_sample}(1，2，…n)和D_{y_sample}(1，2，…n)映射到多维向量空间中，然后用加权一阶局域法进行预测，得到两个预测结果序列，分别记为D_{x_pre}(i)和D_{y_pre}(i)，D_{x_pre}(i)和D_{y_pre}(i)都是长度为N_pre的时间序列。

其中，加权一阶局域法的主要步骤是：

(a)重构相空间。根据G—P算法计算出时间序列的关联维d，再由Takens定理选取嵌入维数，m≥2d+1，得到重构相空间为：

Y(t)＝(x(t)，x(t+τ)，…，x(t+(m-1)τ))∈R^m，t＝1，2，…，M

其中M为重构相空间点的个数，M＝N-(m-1)τ。

(b)寻找邻近点。在相空间中计算各点到中心点Y_k之间的空间距离，找出Y_k的参考向量集为Y_ki，i＝1，2，…，q，并且点Y_ki的的距离为d_i。设d_m是d_i中的最小值，定义点Y_ki的权值为：

$P_i=\frac{\exp (-a(d_i-d_m))}{\underset{i=1}{\overset{q}{\Sigma }}\exp (-a(d_i-d_m))},---\left(3\right)$

其中a为参数，不妨取a＝1。

(c)进行计算预测。一阶加权局域线性拟合为：

$\left(\begin{array}{c}{Y}_{k1+1}\\ Y_{k2+1}\\ ·\\ ·\\ ·\\ Y_{\mathrm{kq}+1}\end{array}\right)=\left(\begin{array}{cc}e& Y_{k1}\\ e& Y_{k2}\\ ·& \\ ·& \\ ·& \\ e& Y_{\mathrm{kq}}\end{array}\right)\left(\begin{array}{c}a\\ b\end{array}\right),---\left(4\right)$

其中$e={[\mathrm{1,1},···1]}_m^T$

这里就m＝1的情况进行讨论，m>1的情况类似，即：

$\left(\begin{array}{c}{x}_{k1+1}\\ x_{k2+1}\\ ·\\ ·\\ ·\\ x_{\mathrm{kq}+1}\end{array}\right)=\left(\begin{array}{cc}e& x_{k1}\\ e& x_{k2}\\ ·& \\ ·& \\ ·& \\ e& x_{\mathrm{kq}}\end{array}\right)\left(\begin{array}{c}a\\ b\end{array}\right)---\left(5\right)$

应用加权最小二乘法有：

$\underset{i=1}{\overset{q}{\Sigma }}{P}_i{(x_{\mathrm{ki}+1}-a-{\mathrm{bx}}_{\mathrm{ki}})}^2=\min ---\left(6\right)$

将式(6)看成是关于未知数a，b的二元函数，两边求偏导得到：

$\left(\begin{array}{c}\underset{i=1}{\overset{q}{\Sigma }}{P}_i(x_{\mathrm{ki}+1}-a-{\mathrm{bx}}_{\mathrm{ki}})=0\\ \underset{i=1}{\overset{q}{\Sigma }}{P}_i(x_{\mathrm{ki}+1}-a-{\mathrm{bx}}_{\mathrm{ki}})x_{\mathrm{ki}}=0\end{array}\right)---\left(7\right)$

即化简得到关于未知数a，b的方程组为：

$\left(\begin{array}{c}a\underset{i=1}{\overset{q}{\Sigma }}{P}_i{x}_{\mathrm{ki}}+b\underset{i=1}{\overset{q}{\Sigma }}{P}_i{x_{\mathrm{ki}}}^2=\underset{i=1}{\overset{q}{\Sigma }}{P}_i{x}_{\mathrm{ki}}{x}_{\mathrm{ki}+1}\\ a+b\underset{i=1}{\overset{q}{\Sigma }}{P}_i{x}_{\mathrm{ki}}=\underset{i=1}{\overset{q}{\Sigma }}{P}_i{x}_{\mathrm{ki}+1}\end{array}\right)---\left(8\right)$

解方程组(8)得到a，b，然后代入式(4)得预测公式。

(d)根据预测公式进行预测。显然，参考向量集为Y_ki，i＝1，2，…q的一步预测为Y_ki+1，i＝1，2，…，q。

步骤四，即为预测误差比较单元的实现，具体为：由于若两个延时采样序列所对应的网络流具有公共拥塞路径，则有可以进行相互预测。基于这一点，分别计算两个预测序列D_{x_pre}(i)，D_{y_pre}(i)相对于标准序列D_actual(i)的平均相对误差err_x和err_y，其定义式分别为式(9)和式(10)。由多次实验结果观测到当两个流经过公共拥塞路径时，err_x和err_y极为近似，而当两个流的拥塞路径是独立的时候，err_x和err_y相差较大，因此，可以用它们的相似性作为参数来判断是否存在公共拥塞。定义err_x和err_y的差为err(式11)，由于err能够反映出两次预测结果的相似程度，因此可以用来作为判断两个流是否经过了公共拥塞路径的标准。

${\mathrm{err}}_x=\frac{\underset{i=1}{\overset{N_{\mathrm{sample}}}{\Sigma }}\{[D_{x\_\mathrm{pre}}\left(i\right)-D_{x\_\mathrm{actual}}\left(i\right)]/D_{x\_\mathrm{actual}}\left(i\right)\}}{N_{\mathrm{actual}}}---\left(9\right)$

${\mathrm{err}}_y=\frac{\underset{i=1}{\overset{N_{\mathrm{sample}}}{\Sigma }}\{[D_{y\_\mathrm{pre}}\left(i\right)-D_{x\_\mathrm{actual}}\left(i\right)]/D_{x\_\mathrm{actual}}\left(i\right)\}}{N_{\mathrm{actual}}}---\left(10\right)$

err＝err_x-err_y                  (11)

步骤五，将步骤四所得的预测误差的相似程度与已知的判决门限进行比较，判断是否存在公共拥塞链路。其中，对于判决门限，可依靠以往的采样数据，计算出公共拥塞和独立拥塞两种情况下预测相似性的概率分布，然后根据最大似然估计的方法来确定。

下面给出一个具体实施的仿真实验来阐述本发明的有效性。需要说明的是，实验中应用的参数不影响本发明的一般性。

仿真使用网络仿真软件ns2进行，图3为仿真试验的网络拓扑。其中各条链路的传输时延设为10ms，链路带宽设为1.5MB，其中节点4到节点7为公共拥塞路段。两个探测流的配置为：

探测流1：从节点0流向节点7，UDP流，上加CBR业务，包大小为20Byte，速率4kb。

探测流2：从节点2流向节点7，UDP流，上加CBR业务，包大小为20Byte，速率4kb。

仿真实验主要在长TCP流，短TCP流，UDP流3种网络环境下进行，下面是3种环境下详细的背景流设置：

(1)长TCP流：用数量不多的长TCP流来引起拥塞，非拥塞路段是空的。在公共拥塞的情况下，20个TCP流通过这段路径。在独立拥塞的情况下，节点4到节点7是空的，其他连接有TCP流，数量服从0到20的均匀分布。

(2)开关CBR流：仿真试验用Pareto开关CBR流作为背景流，其特点是可以通过改变背景流的数量来控制拥塞的程度。在公共拥塞情况下，100个开关CBR流通过节点4到节点7。其他路径上的开关CBR流的数量服从31到60的均匀分布。对于独立拥塞，节点4到节点7的开关CBR流数量服从31到70的均匀分布，其他链路上服从80到140的均匀分布。

(3)短TCP流：由ns2的网站流量发生器产生的大量的短TCP流作为背景流。产生的流量主要由网站通话所组成。对于公共拥塞的情况，250个网站通话通过节点4到节点7，其他链路上网站通话的数量服从1到25的均匀分布。对于独立的拥塞，4到7的网站通话的数量服从1到25的均匀分布，其他链路上服从151到250的均匀分布。

在上面所述三种网络环境下，对于公共拥塞和独立拥塞各进行了500次实验，并将本发明与Rubenstein的基于延时的方法和Harfoush的基于丢包率的方法进行比较。作为判断方法性能的指标，这里定义：

公共拥塞的判定正确率＝实验判断为公共拥塞的次数/总公共拥塞实验次数

独立拥塞的判定正确率＝实验判断为独立拥塞的次数/总独立拥塞实验次数

图4，图5，图6分别对应了三种网络环境中3种方法的仿真结果。其中CP(chaosprediction)表示本发明，MP和BP分别表示基于延时和丢包率的方法。

从图4可以看到，对于长TCP流，三种方法的性能较为接近，而且均能在公共拥塞和独立拥塞两种情况下都达到较高的准确率(90％以上)。从图5中看到，对于UDP流，三种方法的性能都有所下降，尤其是BP，在公共拥塞的情况下，正确率只有不到50％，可以认为BP已经不能检测UDP背景流情况下的公共拥塞；而对于CP和MP两种方法仍然具有较好的性能，在公共拥塞情况下，CP的正确率要略高于MP，而在独立拥塞情况下，两者性能较为接近，因此可以认为在UDP流环境下，CP的性能稍好于MP。从图6中看到，对于短TCP流，BP检测公共拥塞的性能仍然较差；而CP和MP相比，仍是CP性能要好于MP。从收敛性方面考虑，对于MP，判定正确率随时间的变化比较平滑，能够在很短的时间内达到较高的正确率，而对于CP，可以看到，在6s之前的准确率一般不如MP，而在6s后迅速收敛，达到很高的准确率。总之，三种方法中，BP性能最差，只在长TCP流业务环境下有着较好的性能，因此很难被广泛使用；而在其余两种方法中，正确率方面，本发明所提出的CP方法性能要优于MP，而在收敛性方面MP的性能要强于CP，但CP也可以在6s后迅速收敛，对于实时性要求不是特别高的场合有很好的应用前景。