CN103326904B - 一种基于多参数认知的快速网络拓扑推断方法 - Google Patents
一种基于多参数认知的快速网络拓扑推断方法 Download PDFInfo
- Publication number
- CN103326904B CN103326904B CN201310293511.2A CN201310293511A CN103326904B CN 103326904 B CN103326904 B CN 103326904B CN 201310293511 A CN201310293511 A CN 201310293511A CN 103326904 B CN103326904 B CN 103326904B
- Authority
- CN
- China
- Prior art keywords
- node
- probe messages
- similarity
- leaf
- leaf node
- 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.)
- Active
Links
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/12—Discovery or management of network topologies
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L43/00—Arrangements for monitoring or testing data switching networks
- H04L43/10—Active monitoring, e.g. heartbeat, ping or trace-route
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L43/00—Arrangements for monitoring or testing data switching networks
- H04L43/08—Monitoring or testing based on specific metrics, e.g. QoS, energy consumption or environmental parameters
- H04L43/0823—Errors, e.g. transmission errors
- H04L43/0829—Packet loss
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L43/00—Arrangements for monitoring or testing data switching networks
- H04L43/08—Monitoring or testing based on specific metrics, e.g. QoS, energy consumption or environmental parameters
- H04L43/0852—Delays
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L43/00—Arrangements for monitoring or testing data switching networks
- H04L43/10—Active monitoring, e.g. heartbeat, ping or trace-route
- H04L43/103—Active monitoring, e.g. heartbeat, ping or trace-route with adaptive polling, i.e. dynamically adapting the polling rate
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L43/00—Arrangements for monitoring or testing data switching networks
- H04L43/16—Threshold monitoring
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Health & Medical Sciences (AREA)
- Cardiology (AREA)
- General Health & Medical Sciences (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
一种基于多参数认知的快速网络拓扑推断方法,包括以下步骤:首先对探测报文时延及探测报文丢失感知,对探测报文时延参数进行差值分析,通过计算叶节点间的相似度来判断叶节点的关系并推测得到叶节点拓扑结构,将叶节点拓扑与原拓扑对比判断其相似度是否满足适当的阈值要求,若不满足要求则反馈调整探测报文参数,完成认知循环;若满足要求则分析父节点丢包参数,计算父节点间的Hamming距离作为其相似度,根据相似度推断节点关系,进而推断网络拓扑结构。本发明基于对探测报文时延及丢包两种参数的感知,认知模块的反馈调整能够有效提高拓扑推断的精度;基于多参数感知的网络拓扑推断能够应对网络不稳定带来的数据偏差,推断结果更准确。
Description
技术领域
本发明属于无线网络技术领域,特别涉及一种简单、快速的无线网络拓扑结构的推断方法。
背景技术
目前,随着无线技术的高速发展,无线接入网络的多样性越来越引起人们的重视,无线接入网络异构是目前无线环境的现状,对无线网络拓扑的推断能够为智能终端对异构无线接入网络的选择提供依据。
网络拓扑是无线网络的重要参数之一,也是测量网络内部性能参数的基础,更是网络部署和网络管理功能的基本构成部分。无线网络中网络拓扑是动态变化的,所以设计一种快速、有效的网络拓扑推断方法显得尤为重要。网络拓扑推断得到的拓扑信息是无线网络管理和网络优化的基础。通过网络拓扑信息,可以建立相应的路由信息,可以调整网络拥塞,帮助用户决策,搜索网络瓶颈,开发新型网络协议及方法等。本发明方法基于对多参数的感知,认知模块中的反馈调整能够有效提高拓扑推断的精度。本发明能够快速有效的推断网络逻辑拓扑,实施简单,复杂度较低,且不需要内部节点协作或在网络内部部署测量节点。
发明内容
本发明的目的在于基于多参数的认知技术提供一种快速推断无线网络拓扑的方法,根据无线网络中节点的关系推断其连接情况,且具有反馈调整、实施简单、复杂度低、便于网络维护等特点。
本发明的技术方案是:
一种基于多参数认知的快速网络拓扑推断方法,它包括以下步骤:首先对探测报文时延及探测报文丢失感知,对探测报文时延参数进行时延差值分析,通过计算叶节点间的相似度来判断叶节点的关系并推测得到叶节点拓扑结构,将叶节点拓扑与原拓扑对比判断其相似度是否满足适当的阈值要求,若不满足要求则反馈调整探测报文参数,完成认知循环;若满足要求则分析父节点丢包参数,计算父节点间的Hamming距离作为其相似度,根据相似度推断节点关系,进而推断网络拓扑结构。
本发明的方法具体包括以下步骤:
a、在无线网络中构建树状网络拓扑结构,其中包含根节点、中间节点和叶节点,记录各节点之间的父子、兄弟、孤立关系;兄弟节点在其上层拥有同一个父节点,而此兄弟节点称作是父节点的子节点,孤立节点在本层无兄弟关系节点;
b、由根节点连续向所有叶节点组播探测报文;每个叶节点记录所有探测报文丢失情况并计算每个探测报文的时延;
c、对各叶节点探测报文的时延数据进行差值分析,并计算各叶节点的相似度;
d、根据叶节点的相似度,判断叶节点的关系是兄弟节点或孤立节点,进而得到叶节点拓扑结构,并判断叶节点拓扑与原拓扑的相似度即判断各节点之间的父子、兄弟、孤立关系与步骤a中的构建的关系是否吻合,网络拓扑的相似度等于节点集中被正确识别出的节点数量与节点集中总的节点数量的比值;
如果相似度达到阈值要求,则进行步骤e;
如果相似度达不到阈值要求,则反馈调整探测报文参数,减小发送探测报文的时间间隔,返回步骤b;
e、根据子节点报文丢失情况推测父节点的报文丢失情况,进而计算父节点及孤立节点间的Hamming距离,若节点间的Hamming满足给定的关系式则视为兄弟节点,否则视为非兄弟节点,以此推断节点间的关系,进而得到网络逻辑拓扑结构。
本发明的步骤a中无线树状网络拓扑结构中,根节点组播m个探测报文给所有叶节点,探测报文间有一定的时间间隔。
本发明的步骤b中每个叶节点都用一个随机过程来表示探测报文丢失情况,其中表示第i个探测报文在节点k处的丢失情况,如果节点k接收到探测报文,则否则用表示节点k处第i个探测报文的时延。
本发明的步骤c中计算各叶节点的相似度:针对任意两个叶节点k、l,首先计算m个时延数据的平均值,记为选择合适门限值δ,将两个叶节点k、l的相应的m个时延数据与进行比较,若满足将位置i的值置为1,否则为0,写入对应的时延差值类数据库中,并统计其中1的个数,记为nkl,采用公式1计算任意两个叶节点k、l的相似度;前述门限值δ根据实验数据设置。
本发明的步骤d中,根据步骤c计算得到的叶节点相似度,并选择合适门限值ε,满足的视为兄弟节点,若不满足则叶节点中无兄弟节点,称之为孤立节点,通过判断将叶节点分为兄弟节点和孤立节点两类,进而推测得到叶节点拓扑结构,并将叶节点拓扑与原拓扑对比,若网络拓扑的相似度满足适当的阈值要求,则执行步骤e,否则反馈调整探测报文参数,减小发送探测报文的时间间隔,返回步骤b;前述门限值ε和阈值根据实际精度需求进行设置。
本发明的网络拓扑的相似度阈值的范围是70-99%;门限值δ的范围是
本发明的步骤e中,根据子节点探测报文丢失情况推断其父节点的探测报文丢失情况,父节点的探测报文丢失情况为所有子节点报文丢失情况的并集,任一节点k的报文丢失情况用Xk来表示,它的子节点为节点1,2,...,s,则Xk=X1∪X2∪…∪Xs,根据父节点探测报文丢失情况计算父节点及孤立节点间的Hamming距离,选择Hamming距离最小的两个节点k、l作为兄弟节点,再判断其他节点k′是否与节点k、l是兄弟节点,若满足视为兄弟节点,否则不是兄弟节点,这里ξ=1-αmin,αmin链路的最小丢包率,在识别出所有兄弟节点后,从节点集合中去掉所有的兄弟节点,加入其父节点。重复步骤e直至叶节点集合内剩下一个节点为止。
本发明的有益效果:
本发明基于对探测报文时延及丢包两种参数的感知,认知模块的反馈调整能够有效提高拓扑推断的精度;
本发明基于网络断层扫描技术是通过在网络边界节点处进行测量收集数据,从而推测网络内部的性能参数;测量过程不需要在网络内部部署测量设备,不需要网络内部节点协同参与;
本发明联合了探测报文时延和丢包两个参数,对时延参数的聚类分析能够有效缓解因不确定因素导致探测报文性能差异较大的影响,对丢包参数的Hamming距离分析实施简单,易于分析,复杂度较低,联合两个参数能够提高推断结果的准确度;
本发明与精度很高但是成本也相对较高的全球定位系统(GPS)相比,该算法的优点是简单易于实施,算法复杂度较低,能够实现快速拓扑推断,且成本较低。
附图说明
图1为基于多参数认知的网络拓扑推断框图
图2为树状拓扑结构网络模型图
图3为本实施例中的树状拓扑结构图
图4为步骤d以时延聚类分析后叶节点间的相异度为依据进行聚类的结果示意图
图5为步骤e以节点间的Hamming距离为依据进行节点关系推断的结果示意图
图6为步骤m以节点间的Hamming距离为依据进行节点关系推断的结果示意图
具体实施方式
下面结合附图和实施例对本发明作进一步的说明。
本发明基于多参数认知,包括探测报文时延及丢包参数,根据探测报文时延参数差值分析,计算叶节点间的相似度来判断叶节点的关系,将叶节点拓扑与原拓扑对比并判断其相似度是否满足适当的阈值要求,若不满足要求则反馈调整探测报文参数,完成认知循环,具体操作如图1虚框内所示,为进一步根据丢包参数推断节点关系进而进行拓扑推断提供依据;认知模块的反馈调整能够有效提高拓扑推断的精度。本发明的拓扑推断算法基于网络断层扫描技术,而该技术中的网络拓扑通常用逻辑树来描述,节点之间的共享链路越多,其报文时延数据及丢包情况越相近,通过获得叶节点的测量值可以实现对具有报文相似性的节点进行分组,进而推断出网络逻辑拓扑。
本实施例采用树状拓扑结构,如图3所示,一种基于多参数认知的快速网络拓扑推断算法,其特征在于步骤包括:
a、网络中根节点0组播m个探测报文给叶节点{1,2,3,4,5,6,7,8,9,10,11,12,13,14,15,16,17,18,19,20},探测报文间存在一定的时间间隔;
b、经过m个连续时间的捕获和分析,每个叶节点都用一个随机过程来表示探测报文丢失情况,其中表示第i个探测报文在节点k处的丢失情况,如果节点k接收到探测报文则否则用表示节点k处第i个探测报文的时延,如表1所示。
表1
c、针对任意两个叶节点k、l,首先计算m个时延数据的平均值,记为 选择合适门限值δ,将两个叶节点k、l的相应的m个时延数据与进行比较,若满足将位置i的值置为1,否则为0,写入对应的时延差值类数据库中,如表2所示(行为类名,列为探测报文的序号,以图1为例),并统计每一类中1的个数,记为nkl,采用公式1计算任意两个叶节点k、l的相似度。
表2
d、根据步骤c中计算得到的叶节点相似度,并选择合适门限值ε,满足的作为兄弟节点,否则视为孤立节点,得到节点{1,2,6,11,15,18,19,20}为孤立节点,{3,4,5}、{7,8}、{9,10}、{12,13,14}、{16,17}分别为兄弟节点;更新叶节点集合R为{1,2,6,11,15,18,19,20,21(3、4、5的父节点),22(7、8的父节点),23(9、10的父节点),24(12、13、14的父节点),25(16、17的父节点)};若得到的叶节点拓扑与原拓扑相似度较小,则调整探测报文参数,减小探测报文的发送时间间隔,重复上述过程,直到叶节点拓扑与原拓扑相似度满足阈值要求;
e、根据子节点探测报文丢失情况推测父节点探测报文丢失情况,计算步骤d中更新后的叶节点集合R中两两节点的Hamming距离,选择Hamming距离最小的两个节点k、l作为兄弟节点,再判断其他节点k′是否与节点k、l是兄弟节点,若满足视为兄弟节点,否则不是兄弟节点,这里ξ=1-αmin,αmin是链路的最小丢包率,在识别出所有兄弟节点后,从节点集合中去掉所有的兄弟节点,加入其父节点。计算并判断得到{2,6,21}为兄弟节点;更新叶节点集合R为{1,11,15,18,19,20,22,23,24,25,26(2、6、21的父节点)};
f、重复步骤e,计算步骤e中更新后的叶节点集合R中两两节点的Hamming距离,并判断得到{15,24}为兄弟节点;更新叶节点集合R为{1,11,18,19,20,22,23,25,26,27(15,24的父节点)};
g、重复步骤e,计算步骤f中更新后的叶节点集合R中两两节点的Hamming距离,并判断得到{11,23}为兄弟节点;更新叶节点集合R为{1,18,19,20,22,25,26,27,28(11,23的父节点)};
h、重复步骤e,计算步骤g中更新后的叶节点集合R中两两节点的Hamming距离,并判断得到{18,25}为兄弟节点;更新叶节点集合R为{1,19,20,22,26,27,28,29(18,25的父节点)};
i、重复步骤e,计算步骤h中更新后的叶节点集合R中两两节点的Hamming距离,并判断得到{19,27,29}为兄弟节点;更新叶节点集合R为{1,20,22,26,28,30(19,27,29的父节点)};
j、重复步骤e,计算步骤i中更新后的叶节点集合R中两两节点的Hamming距离,并判断得到{1,26}为兄弟节点;更新叶节点集合R为{20,22,28,30,31(1,26的父节点)};
k、重复步骤e,计算步骤j中更新后的叶节点集合R中两两节点的Hamming距离,并判断得到{22,28}为兄弟节点;更新叶节点集合R为{20,30,31,32(22,28的父节点)};
l、重复步骤e,计算步骤k中更新后的叶节点集合R中两两节点的Hamming距离,并判断得到{20,30}为兄弟节点;更新叶节点集合R为{31,32,33(20,30的父节点)};
m、重复步骤e,计算步骤l中更新后的叶节点集合R中两两节点的Hamming距离,并判断得到{31,32,33}为兄弟节点;更新叶节点集合R为{34(31,32,33的父节点)};
本发明未涉及部分均与现有技术相同或可采用现有技术加以实现。
Claims (7)
1.一种基于多参数认知的快速网络拓扑推断方法,其特征在于它包括以下步骤:首先对探测报文时延及探测报文丢失感知,对探测报文时延参数进行差值分析,通过计算叶节点间的相似度来判断叶节点的关系并推测得到叶节点拓扑结构,将叶节点拓扑与原拓扑对比判断其相似度是否满足适当的阈值要求,若不满足要求则反馈调整探测报文参数,完成认知循环;若满足要求则分析父节点丢包参数,计算父节点间的Hamming距离作为其相似度,根据相似度推断节点关系,进而推断网络拓扑结构;该方法具体包括以下步骤:
a、在无线网络中构建树状网络拓扑结构,其中包含根节点、中间节点和叶节点,记录各节点之间的父子、兄弟、孤立关系;兄弟节点在其上层拥有同一个父节点,而此兄弟节点称作是父节点的子节点,孤立节点在本层无兄弟关系节点;
b、由根节点连续向所有叶节点组播探测报文;每个叶节点记录所有探测报文丢失情况并计算每个探测报文的时延;
c、对各叶节点探测报文的时延数据进行差值分析,并计算各叶节点的相似度;
d、根据叶节点的相似度,判断叶节点的关系是兄弟节点或孤立节点,进而得到叶节点拓扑结构,并判断叶节点拓扑与原拓扑的相似度即判断各节点之间的父子、兄弟、孤立关系与步骤a中的构建的关系是否吻合,网络拓扑的相似度等于节点集中被正确识别出的节点数量与节点集中总的节点数量的比值;
如果相似度达到阈值要求,则进行步骤e;
如果相似度达不到阈值要求,则反馈调整探测报文参数,减小发送探测报文的时间间隔,返回步骤b;
e、根据子节点报文丢失情况推测父节点的报文丢失情况,进而计算父节点及孤立节点间的Hamming距离,若节点间的Hamming距离满足给定的关系式则视为兄弟节点,否则视为非兄弟节点,以此推断节点间的关系,进而得到网络逻辑拓扑结构。
2.如权利要求1所述基于多参数认知的快速网络拓扑推断方法,其特征在于,所述步骤b中无线树状网络拓扑结构中,根节点组播m个探测报文给所有叶节点,探测报文间有一定的时间间隔。
3.如权利要求1所述基于多参数认知的快速网络拓扑推断方法,其特征在于,所述步骤b中每个叶节点都用一个随机过程来表示探测报文丢失情况,其中表示第i个探测报文在节点k处的丢失情况,如果节点k接收到探测报文,则否则用表示节点k处第i个探测报文的时延。
4.如权利要求1所述基于多参数认知的快速网络拓扑推断方法,其特征在于,所述步骤c中具体包括:
计算各叶节点的相似度:针对任意两个叶节点k、l,首先计算m个时延数据的平均值,记为选择合适门限值δ,将两个叶节点k、l的相应的m个时延数据与 进行比较,若满足将位置i的值置为1,否则为0,写入对应的时延差值类数据库中,并统计其中1的个数,记为nkl,采用公式1计算任意两个叶节点k、l的相似度;前述门限值δ根据实验数据设置;
5.如权利要求1所述基于多参数认知的快速网络拓扑推断方法,其特征在于,所述步骤d中,根据步骤c计算得到的叶节点相似度,并选择合适门限值ε,满足的视为兄弟节点,若不满足则叶节点中无兄弟节点,称之为孤立节点,通过判断将叶节点分为兄弟节点和孤立节点两类,进而推测得到叶节点拓扑结构,并将叶节点拓扑与原拓扑对比,若网络拓扑的相似度满足适当的阈值要求,则执行步骤e,否则反馈调整探测报文参数,减小发送探测报文的时间间隔,返回步骤b;前述门限值ε和阈值根据实际精度需求进行设置。
6.如权利要求5所述基于多参数认知的快速网络拓扑推断方法,其特征在于,网络拓扑的相似度阈值的范围是70%-99%;门限值δ的范围是
7.如权利要求1所述基于多参数认知的快速网络拓扑推断方法,其特征在于,所述步骤e中,根据子节点探测报文丢失情况推断其父节点的探测报文丢失情况,父节点的探测报文丢失情况为所有子节点报文丢失情况的并集,任一节点k的报文丢失情况用来表示,它的子节点为节点1,2,...,s,则节点u与节点v之间的Hamming距离表示为⊕为异或运算,m是探测报文的数量;根据父节点探测报文丢失情况计算父节点及孤立节点间的Hamming距离,选择Hamming距离最小的两个节点k、l作为兄弟节点,再判断其他节点k′是否与节点k、l是兄弟节点,若满足视为兄弟节点,否则不是兄弟节点,这里ξ=1-αmin,αmin是链路的最小丢包率,在识别出所有兄弟节点后,从节点集中去掉所有的兄弟节点,加入其父节点;重复 步骤e直至节点集内剩下一个节点为止。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310293511.2A CN103326904B (zh) | 2013-07-12 | 2013-07-12 | 一种基于多参数认知的快速网络拓扑推断方法 |
PCT/CN2013/080309 WO2015003414A1 (zh) | 2013-07-12 | 2013-07-29 | 一种基于多参数认知的快速网络拓扑推断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310293511.2A CN103326904B (zh) | 2013-07-12 | 2013-07-12 | 一种基于多参数认知的快速网络拓扑推断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103326904A CN103326904A (zh) | 2013-09-25 |
CN103326904B true CN103326904B (zh) | 2016-12-28 |
Family
ID=49195447
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310293511.2A Active CN103326904B (zh) | 2013-07-12 | 2013-07-12 | 一种基于多参数认知的快速网络拓扑推断方法 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN103326904B (zh) |
WO (1) | WO2015003414A1 (zh) |
Families Citing this family (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103716187B (zh) * | 2013-12-20 | 2017-03-29 | 新浪网技术(中国)有限公司 | 网络拓扑结构确定方法和系统 |
CN105306291B (zh) * | 2015-09-16 | 2018-09-04 | 电子科技大学 | 一种基于丢包率和时延联合的网络拓扑估计方法 |
CN108009391A (zh) * | 2017-05-29 | 2018-05-08 | 兰州交通大学 | 一种多尺度下点群目标相似度计算方法 |
CN111626459B (zh) * | 2019-02-27 | 2024-04-30 | 深圳电蚂蚁数据技术有限公司 | 一种区域充电网络拓扑关系确认方法、装置和系统 |
CN111181864B (zh) * | 2020-02-27 | 2023-05-09 | 上海掌门科技有限公司 | 确定从应用至服务器的链路拥塞状态的方法与设备 |
CN113078630B (zh) * | 2020-11-20 | 2023-12-15 | 中国科学院沈阳自动化研究所 | 一种基于实时量测数据的低压配电网拓扑辨识方法 |
CN112986658B (zh) * | 2021-01-25 | 2023-07-18 | 浙江华云信息科技有限公司 | 一种低压线路的拓扑识别方法及装置 |
CN112906297A (zh) * | 2021-02-05 | 2021-06-04 | 青岛启超微信息科技有限公司 | 一种基于电流大数据的多阈值拓扑识别方法 |
CN113625217B (zh) * | 2021-07-16 | 2023-09-26 | 国网浙江省电力有限公司营销服务中心 | 低压台区电能表运行误差计算方法及系统 |
CN113630269B (zh) * | 2021-07-29 | 2023-11-10 | 中国人民解放军国防科技大学 | 基于拓扑感知的高性能计算系统运行环境部署加速方法及系统 |
CN113489619B (zh) * | 2021-09-06 | 2021-11-19 | 中国人民解放军国防科技大学 | 一种基于时间序列分析的网络拓扑推断方法及装置 |
CN116467610B (zh) * | 2023-03-13 | 2023-10-10 | 深圳市壹通道科技有限公司 | 基于5g消息的数据拓扑分析方法、装置、设备及存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101729365A (zh) * | 2008-10-27 | 2010-06-09 | 华为技术有限公司 | 路径建立方法、承载网路由器和网络系统 |
CN101917310A (zh) * | 2010-08-27 | 2010-12-15 | 电子科技大学 | 基于流量分析的网络拓扑推测方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100195553A1 (en) * | 2008-03-18 | 2010-08-05 | Myers Theodore J | Controlling power in a spread spectrum system |
CN101605064B (zh) * | 2009-07-10 | 2011-06-15 | 西北工业大学 | 基于端到端测量的网络拓扑结构构建方法 |
-
2013
- 2013-07-12 CN CN201310293511.2A patent/CN103326904B/zh active Active
- 2013-07-29 WO PCT/CN2013/080309 patent/WO2015003414A1/zh active Application Filing
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101729365A (zh) * | 2008-10-27 | 2010-06-09 | 华为技术有限公司 | 路径建立方法、承载网路由器和网络系统 |
CN101917310A (zh) * | 2010-08-27 | 2010-12-15 | 电子科技大学 | 基于流量分析的网络拓扑推测方法 |
Non-Patent Citations (2)
Title |
---|
Tomography技术中的多参数网络拓扑推断;赵洪华等;《北京邮电大学学报》;20080831;第31卷(第4期);第24-28页 * |
基于端到端报文丢失的网络拓扑推测算法研究;李勇军等;《通信学报》;20071031;第28卷(第10期);第85-90页 * |
Also Published As
Publication number | Publication date |
---|---|
CN103326904A (zh) | 2013-09-25 |
WO2015003414A1 (zh) | 2015-01-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103326904B (zh) | 一种基于多参数认知的快速网络拓扑推断方法 | |
CN113128129B (zh) | 一种突发水污染正逆耦合溯源方法及系统 | |
Bholowalia et al. | EBK-means: A clustering technique based on elbow method and k-means in WSN | |
CN108399748B (zh) | 一种基于随机森林与聚类算法的道路旅行时间预测方法 | |
CN104684081B (zh) | 基于距离聚类遴选锚节点的无线传感器网络节点定位算法 | |
CN103401922B (zh) | 无线传感器网络中基于博弈方法的分布式定位装置与方法 | |
Silva et al. | Filling the gaps of vehicular mobility traces | |
CN105574191B (zh) | 在线社会网络多源点信息溯源系统及其方法 | |
CN102724078A (zh) | 一种动态网络下基于压缩感知的端到端网络流量重构方法 | |
CN106533759B (zh) | 一种多层网络中的基于路径熵的链路预测方法 | |
CN102739527B (zh) | 网络丢包率探测方法 | |
Zou et al. | A data-aggregation scheme for WSN based on optimal weight allocation | |
CN103079264A (zh) | 一种改进的无线传感器网络DV-Hop定位算法 | |
CN102819611A (zh) | 一种复杂网络局部社区挖掘方法 | |
CN108347694A (zh) | 一种基于边界条件的节点定位方法及系统 | |
CN103313386B (zh) | 基于信息一致性权值优化的无线传感网络目标跟踪方法 | |
CN106528614A (zh) | 一种移动社交网络中用户的地理位置预测方法 | |
CN104270283B (zh) | 一种基于高阶累积量的网络拓扑估计方法 | |
Khan et al. | Inforank: Information-centric autonomous identification of popular smart vehicles | |
CN106341785A (zh) | 改进的无线传感器DV-Hop算法 | |
CN115759431B (zh) | 一种草原牧区公共服务空间组织建设决策方法及系统 | |
CN101364915B (zh) | 一种基于三跳环带的传感器网络定位方法 | |
CN106412935B (zh) | 一种基于复杂网络理论的网络拓扑结构建立方法 | |
CN104683144B (zh) | 一种基于马尔可夫模型的物联网设备依赖度评价方法 | |
CN108650141A (zh) | 一种基于车联网连通基的大规模网络通达性模型 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |