CN102195833A - 一种基于层次型坐标系统的ip网络时延预测方法 - Google Patents
一种基于层次型坐标系统的ip网络时延预测方法 Download PDFInfo
- Publication number
- CN102195833A CN102195833A CN201110132664XA CN201110132664A CN102195833A CN 102195833 A CN102195833 A CN 102195833A CN 201110132664X A CN201110132664X A CN 201110132664XA CN 201110132664 A CN201110132664 A CN 201110132664A CN 102195833 A CN102195833 A CN 102195833A
- Authority
- CN
- China
- Prior art keywords
- node
- time delay
- coordinate system
- network
- method based
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Landscapes
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明公开了一种基于层次型IP网络坐标系统的节点间时延预测方法,其特征在于,包括以下步骤:A通过系统模型和实测时延确定节点的全局坐标;B选取实测时延值位于[0ms,Nms]内的参考节点,N<100,并依据参考节点时延信息确定节点的局部坐标,所述时延信息包括:实测往返时延值RTT和参考节点的局部坐标值;C根据不同预测需求选择利用全局坐标和/或局部坐标,预测节点间时延。本发明能满足有差异性时延预测需求且时延预测精度更高。
Description
技术领域
本发明涉及计算机网络性能测量领域,具体涉及一种时延预测精度更高且能满足有差异性时延预测需求的IP网络时延预测方法。
背景技术
近年来,随着计算机普及、网络技术的迅速发展,网络结构所呈现出的高度复杂性和异构性,使得IP网络性能的可知性变差,同时新的网络应用程序需要依赖该信息进行性能优化,如基于CDN(内容分发网络)的流媒体服务中,可以依据网络性能状况选择最优服务器为用户提供服务,从而提高网络使用率。能作为反映实际IP网络性能的参数有很多,如节点间时延、带宽、路由跳计数等,其中节点间时延也常被称之为“网络距离”(Network Distance),是作为反映网络性能的关键参数之一,在网络性能优化和改善中发挥着重要作用,而目前网络性能测量领域研究热点便是如何快速准确地获得节点间时延信息。与传统的直接测量方式相比(如Ping主动测量),近来提出的基于IP网络坐标系统的非直接测量方法,以度量空间嵌入理论为基础,仅仅需要部分节点间的直接测量时延信息,就能实现网络中任意节点间的时延预测,时间复杂度从O(N2)降到O(N);并且可以采用几何方法相互独立的对网络时延进行存储、计算和处理的操作,方便了分布式网络应用对路由选择进行优化决策。
但是目前研究工作存在如下缺点:单一层次关系的IP网络坐标系统难以同时提高长、短距离时延预测精度,并且对外提供的都是细节一致的时延预测信息,不能满足有差异性的时延预测需求(如某些应用只关心节点粗略的远近相对排序信息即可,而有些则需要节点的精细位置信息,这就要求坐标系统在时延预测时具有缩放能力),使得实际网络应用难以基于IP网络坐标系统时延预测能力来优化网络使用率。
另一方面,本发明申请人在先发明申请“基于弹簧系统模型的IP坐标系统快速收敛实现方法”,公开了一种建立节点全局坐标的方法。
发明内容
本发明所要解决的问题是:如何提供一种基于层次型坐标系统的IP网络时延预测方法,能满足有差异性时延预测需求且时延预测精度更高。
本发明所提出的技术问题是这样解决的:提供一种基于层次型坐标系统的IP网络时延预测方法,其特征在于:包括以下步骤:
A通过系统模型和实测时延确定节点的全局坐标;
B选取实测时延值位于[0ms,Nms]内的参考节点,N<100,并依据参考节点时延信息确定节点的局部坐标,所述时延信息包括:实测往返时延值RTT和参考节点的局部坐标值;
C根据不同预测需求选择利用全局坐标和/或局部坐标,预测节点间时延。
按照本发明所提供的基于层次型坐标系统的IP网络时延预测方法,优选N=80。
按照本发明所提供的基于层次型坐标系统的IP网络时延预测方法,所述系统模型是单弹簧系统模型、多弹簧系统模型或粒子力场模型(Big Bang Simulation)。
按照本发明所提供的基于层次型坐标系统的IP网络时延预测方法,所述确定节点的局部坐标采用高精度的网络定位算法(Global Network Positioning)、实用因特网坐标算法(Practical Internet Coordinate)或灯塔算法(Lighthouse)。
按照本发明所提供的基于层次型坐标系统的IP网络时延预测方法,所述确定节点的局部坐标包括将不同节点的局部坐标放在一致性的参考坐标系中进行比较。
按照本发明所提供的基于层次型坐标系统的IP网络时延预测方法,预测节点间时延包括以下三种情况:
(一)所述步骤C包括仅利用全局坐标预测节点间时延,所述预测需求是全网节点间的相对位置排序;
(二)所述步骤C包括仅利用局部坐标预测节点间时延,所述预测需求是相邻节点间精确时延值;
(三)所述步骤C包括同时利用全局坐标和局部坐标预测节点间时延:通过全局坐标获得途经各节点、再叠加对应局部坐标预测的时延,所述预测需求是获取时延代价最小路径。
按照本发明所提供的基于层次型坐标系统的IP网络时延预测方法,还包括网络节点存储包括自身和相邻节点全局坐标的全局位置信息,还存储包括自身和相邻节点局部坐标的局部位置信息。
按照本发明所提供的基于层次型坐标系统的IP网络时延预测方法,还包括网络节点定期与其直接相邻节点交互并更新所述位置信息,同时更新路由选择表。
本发明有益效果在于:1、构建具有上下层次化关系的IP网络坐标系统,相互独立全局坐标系统和局部坐标系统,能避免长、短时延相互干扰影响时延预测精度;2、全局坐标用于预测节点间相对位置排序,而局部坐标用于预测节点间的时延值,从而能对外提供差异性的时延预测需求;3、通过全局坐标和局部坐标相互配合来提供时延预测服务,满足网络应用对时延信息的不同需求。
附图说明
图1是层次化IP网络坐标系统构建策略流程图;
图2是全局坐标系统构建策略示意图;
图3是局部坐标系统构建策略示意图;
图4是网络层IP数据包报文结构图;
图5是节点间信息交互格式结构图;
图6是坐标信息共享解决方案示意图。
具体实施方式
下面结合附图对本发明作进一步描述:
单一层次关系的IP网络坐标系统无法对外提供差异性的时延预测需求,并且在构建过程中存在着长、短时延相互干扰等因素的影响,其时延预测精度并不高;并且节点仅能了解部分节点的位置信息,而无法进一步了解到全网节点的位置信息。目前难以基于IP网络坐标系统进行IP数据包路由转发,使其离实际部署优化网络应用还有很大差距。针对上述情况,多层次IP网络坐标系统能够对外提供差异性的时延预测需求,并且其在构建过程中避免了长、短时延相互干扰,能有效的提高时延预测精度;而有效的坐标信息共享维护方法,使得节点能对网络中所有节点的位置信息、更多网络性能参数有所了解。如图1所示,多层次IP网络坐标系统依据实测时延样本,依据不同构建策略分别建立具有上下层次化关系的全局坐标系统和局部坐标系统。
1.多层次IP网络坐标系统的构建流程
如图1所示,节点依据实测时延样本,首先选择具有可扩展性高、收敛性强和计算开销小等优势的算法进行全局坐标系统的构建。当节点计算出其全局坐标后,依赖于满足一定约束条件的参考节点时延信息(本发明优选处于区间[0,80ms]的参考节点),选择时延预测精度高的算法进一步构建局部坐标系统。本发明中选择新节点的全局坐标初始值为坐标原点值,而局部坐标初始值为其当前全局坐标值。
2.全局坐标系统构建策略
(1)变量描述
如图5所示,本地节点L获取发送信息节点的全局坐标更新信息{IDi,RTTi,Wi,Ci},分别表示其唯一标识、往返时延值、误差因子和全局坐标值;
Cold和Cnew是节点L更新前后的全局坐标值;
Wold和Wnew是节点L更新前后的误差因子。其值越小,节点L对节点间相对位置排序信息预测准确性越高。
(2)构建策略实施过程
方法输入:Cold,Wold,{IDi,RTTi,Wi,Ci}i∈[1,2,...,N]。
方法输出:Cnew。
方法步骤:
M-Vivaldi算法为全局坐标系统的构建策略。当L当收到N(N=7)个节点的坐标更新信息{IDi,RTTi,Wi,Ci}i∈[1,2,...,N]后,结束侦听过程,进行其全局坐标更新。
根据L的误差因子Wold和节点IDi的误差因子Wi,计算出更新因子Wsi。Wsi描述L对IDi信任程度,值越大信任程度越高,其中1<=i<=N。
根据实测时延和预测时延计算出时延预测相对误差εi,式中‖Cold-Ci‖即为基于全局坐标的预测时延值大小。
根据常数Cc和更新因子Wsi,计算出弹簧形变量调节因子δi,
di=Cc□Wsi
并进一步计算出弹簧形变的力矢量Fi,
Fi=di?(‖Cold Ci‖-RTTi)?U(Cold Ci)
其中(‖Cold-Ci‖-RTTi)为时延预测绝对误差,是产生Fi的根本原因,而U(Cold-Ci)是Fi方向,全局坐标也将沿此方向更新。
当i=N,终止循环,并向下执行坐标更新。
根据力矢量Fi,计算矢量和F,
更新L全局坐标Cnew。其中λ的值为1,单位为(ms/N),匹配F和Cold的量纲。
Cnew=Cold+l□F
根据常数Ce和更新因子Wsi,计算调节因子α和时延预测均值相对误差值ε。
根据α和ε,更新L全局坐标误差因子Wnew,
Wnew=(a创e)((1-a)□Wold)
3.局部坐标系统构建策略
(1)变量描述
如图5所示,本地节点L获取发送信息节点的局部坐标更新信息{IDi,RTTi,CLnb},分别表示其唯一标识、往返时延值和其局部坐标值;
CL是节点L更新后的局部坐标值;
(2)构建策略实施过程
方法输入:{IDi,RTTi,CLnb}i∈[1,2,...,M]。
方法输出:CL
方法步骤:
L从其直接相邻的邻居节点中,选取某一在IP网络坐标系统生存时间最长的节点作为其基准参考节点,并向该标识值为ID的节点发送局部坐标更新请求。该ID节点从其路由选择表中,依据三角不等式的下界,利用局部坐标进行时延预测,选出网络中与L的时延值大小位于区间[0,80ms]内的节点(即选取满足‖(CL,CLnb)‖+‖(CLnb,CLothers)‖<80条件的参考节点),并将满足条件的参考节点的标识IDi、其局部坐标值CLnb发送给L。当L收到M(M=7)个参考节点的局部坐标信息时,结束本次侦听过程,并进行其局部坐标更新。
L通过直接测量的方式(如Ping方式),探测出其与M个参考节点间的时延值大小RTTi。
L建立以基准节点ID的局部坐标为参考坐标系原点,以M个参考节点的局部坐标组成该M维坐标系不同轴方向。
节点L局部坐标的计算如下。其中(C1’,...,CM’)是在坐标系的不同轴方向投影,而(C1,...,CM)是在坐标系的不同轴方向投影。为了减少计算开销,本发明选取以基于坐标系来计算节点L的局部坐标。
在进行时延预测时,本发明选取在一致性的坐标系中进行局部坐标比较。其任意参考坐标系的转换公式如下所示:
4.坐标信息共享维护方案
图4为网络层IP数据包报文结构图,节点根据报文中的TTL字段可以很容易获知节点间路由跳计数信息。该TTL字段指网络中IP数据包的生存时间,初始值通常是系统缺省值。因为IP数据包经过每个路由器时都要把该TTL域值减一,这样网络中收到该报文的节点都可以根据该字段减少量,计算出其与该节点间的路由跳计数。通过有效的坐标信息共享维护方案,节点不但能了解节点间路由跳计数信息,而且能获知全网节点的坐标位置信息,从而更加广泛、更加深入的了解网络拓扑状况,更好的了解到当前网络性能状况。分布式解决方案如下:
如图6所示,节点定期与其直接相邻节点进行信息交互,传送报文格式如图5所示。网络中每个节点都负责维护网络拓扑信息,以此了解全网拓扑结构及其性能状况。当与远端节点进行数据交互时,其可直接查询本地路由选择表,选取时延代价最小路径作为IP数据包的路由转发路径。
上面已结合附图对本发明的具体实施方式进行了示例性的描述,显然本发明不限于此,在本发明权利要求范围内进行的各种改型均没有超出本发明的保护范围。
Claims (10)
1.一种基于层次型坐标系统的IP网络时延预测方法,其特征在于,包括以下步骤:
A通过系统模型和实测时延确定节点的全局坐标;
B选取实测时延值位于[0ms,Nms]内的参考节点,N<100,并依据参考节点时延信息确定节点的局部坐标,所述时延信息包括:实测往返时延值RTT和参考节点的局部坐标值;
C根据不同预测需求选择利用全局坐标和/或局部坐标,预测节点间时延。
2.根据权利要求1所述的基于层次型坐标系统的IP网络时延预测方法,其特征在于,N=80。
3.根据权利要求1所述的基于层次型坐标系统的IP网络时延预测方法,其特征在于,所述系统模型是单弹簧系统模型、多弹簧系统模型或粒子力场模型。
4.根据权利要求1所述的基于层次型坐标系统的IP网络时延预测方法,其特征在于,所述确定节点的局部坐标采用高精度的网络定位算法、实用因特网坐标算法或灯塔算法。
5.根据权利要求1所述的基于层次型坐标系统的IP网络时延预测方法,其特征在于,所述确定节点的局部坐标包括将不同节点的局部坐标放在一致性的参考坐标系中进行比较。
6.根据权利要求1所述的基于层次型坐标系统的IP网络时延预测方法,其特征在于,所述步骤C包括仅利用全局坐标预测节点间时延,所述预测需求是全网节点间的相对位置排序。
7.根据权利要求1所述的基于层次型坐标系统的IP网络时延预测方法,其特征在于,所述步骤C包括仅利用局部坐标预测节点间时延,所述预测需求是相邻节点间精确时延值。
8.根据权利要求1所述的基于层次型坐标系统的IP网络时延预测方法,其特征在于,所述步骤C包括同时利用全局坐标和局部坐标预测节点间时延:通过全局坐标获得途经各节点、再叠加对应各局部坐标预测的时延,所述预测需求是获取时延代价最小路径。
9.根据权利要求1所述的基于层次型坐标系统的IP网络时延预测方法,其特征在于,还包括网络节点存储包括自身和相邻节点全局坐标的全局位置信息,还存储包括自身和相邻节点局部坐标的局部位置信息。
10.根据权利要求9所述的基于层次型坐标系统的IP网络时延预测方法,其特征在于,还包括网络节点定期与其直接相邻节点交互并更新所述位置信息,同时更新路由选择表。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201110132664XA CN102195833A (zh) | 2011-05-20 | 2011-05-20 | 一种基于层次型坐标系统的ip网络时延预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201110132664XA CN102195833A (zh) | 2011-05-20 | 2011-05-20 | 一种基于层次型坐标系统的ip网络时延预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN102195833A true CN102195833A (zh) | 2011-09-21 |
Family
ID=44603254
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201110132664XA Pending CN102195833A (zh) | 2011-05-20 | 2011-05-20 | 一种基于层次型坐标系统的ip网络时延预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102195833A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105227689A (zh) * | 2015-08-31 | 2016-01-06 | 罗向阳 | 基于局部时延分布相似性度量的目标ip定位算法 |
-
2011
- 2011-05-20 CN CN201110132664XA patent/CN102195833A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105227689A (zh) * | 2015-08-31 | 2016-01-06 | 罗向阳 | 基于局部时延分布相似性度量的目标ip定位算法 |
CN105227689B (zh) * | 2015-08-31 | 2018-05-11 | 罗向阳 | 基于局部时延分布相似性度量的目标ip定位算法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhao et al. | A fuzzy logic-based intelligent multiattribute routing scheme for two-layered SDVNs | |
CN106961707B (zh) | 一种vanet中基于连通性的多因素决策路由协议 | |
Varmaghani et al. | DMTC: Optimize energy consumption in dynamic wireless sensor network based on fog computing and fuzzy multiple attribute decision-making | |
CN1988550B (zh) | 一种无线传感器网络无锚点定位的分布式实现方法 | |
CN104838708B (zh) | 用于用户设备移动性预测的系统和方法 | |
Li et al. | Latency estimation for fog-based internet of things | |
Harold Robinson et al. | PSOBLAP: particle swarm optimization-based bandwidth and link availability prediction algorithm for multipath routing in mobile ad hoc networks | |
Hamdi et al. | Performance Analysis of QoS in MANET based on IEEE 802.11 b | |
Belamri et al. | A survey on QoS routing protocols in Vehicular Ad Hoc Network (VANET) | |
CN109005108B (zh) | 一种空间网络路由规划方法及系统 | |
Keskın et al. | Lifetime maximization in wireless sensor networks using a mobile sink with nonzero traveling time | |
CN101383768A (zh) | 基于数字地图和移动预测的车辆网络数据路由方法 | |
CN103873364A (zh) | 域间多路径路由的实现方法 | |
Singh et al. | Optimization techniques in wireless sensor networks | |
CN102291312A (zh) | 一种基于层次化ip网络坐标系统的路由选择方法 | |
Tang et al. | An offloading approach in fog computing environment | |
CN112153153A (zh) | 一种协调分布式的网内资源调度方法及系统、存储介质 | |
CN102088753A (zh) | 一种保障服务质量的物联网迂回空洞路由方法 | |
CN102195833A (zh) | 一种基于层次型坐标系统的ip网络时延预测方法 | |
Shi et al. | Distributed and weighted clustering based on d-hop dominating set for vehicular networks | |
CN101753457B (zh) | 预测因特网端节点间端到端路径可用带宽的方法与系统 | |
Robinson et al. | Enhanced Border and Hole Detection for Energy utilization in wireless sensor networks | |
Wang et al. | A Q-Learning Based Routing Algorithm for Software Defined Vehicular Network | |
Desai et al. | Clustering technique for wireless sensor network | |
Murshed | Reinforcement Learning-based User-centric Handover Decision-making in 5G Vehicular Networks |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20110921 |