CN104348665A - 基于聚类判断准则的节点对融合网络拓扑估计方法 - Google Patents
基于聚类判断准则的节点对融合网络拓扑估计方法 Download PDFInfo
- Publication number
- CN104348665A CN104348665A CN201410476794.9A CN201410476794A CN104348665A CN 104348665 A CN104348665 A CN 104348665A CN 201410476794 A CN201410476794 A CN 201410476794A CN 104348665 A CN104348665 A CN 104348665A
- Authority
- CN
- China
- Prior art keywords
- topology
- node
- threshold value
- judgment criterion
- cluster
- 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
Landscapes
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明公开了一种基于聚类判断准则的节点对融合网络拓扑估计方法;其具体包括以下步骤:信息输入、初始化、对门限值分等级、利用节点对融合方法求出拓扑、判断门限值分等级是否完成、利用聚类判断准则选择最优拓扑和输出结果。本发明的基于聚类判断准则的节点对融合网络拓扑估计方法将节点对融合方法和分层聚类方法结合,通过对Δ进行分等级操作,将每一个不同的Δ值对应一个求出来的拓扑,解除了对门限值人为取值的依赖,提高了拓扑估计正确率;再基于分层聚类的思想,利用基于聚类的平方误差准则从所有的拓扑中选出最优的拓扑作为输出结果,减少了选出最优拓扑时的计算量。
Description
技术领域
本发明属于网络拓扑估计方法技术领域,尤其涉及一种基于聚类判断准则的节点对融合网络拓扑估计方法。
背景技术
随着互联网技术的发展,现代人的生活越来越离不开网络。因此,对于网络参数的各种测量就变得尤为有意义。网络拓扑估计是进行网络参数各种测量的基础。网络拓扑识别目前主要有两种方法。一是传统的网络识别方法,这需要依靠中间节点的协作,通过他们的反馈信息来估计网络拓扑。另一种是基于层析成像技术的网络拓扑识别方法,和传统的网络识别方法相比,网络层析成像技术均假设中间节点不协作。通过发送端到端的探测包,搜集这些探测包所返回的信息(如时延平均值、方差等),通过一定的算法模型来推测出所测网络的逻辑拓扑。这种方法的优点是,不需要依靠中间节点的协作,缺点是因为假设所有中间节点均不协作,所以会向网络发送大量的探测包,从而加重网络的负载。目前基于网络层析成像技术的拓扑识别分为单播网络拓扑识别和多播网络拓扑识别。单播网络拓扑识别中,探测包的目的地是一个终端节点,而多播网络识别中,探测包的目的地是是多个终端节点。为了计算节点之间的相关性,测量不同节点的探测包要尽量要求他们在经过共享路径的部分情况要相同,这在多播网络中是很好实现的,但多播协议在实际网络中并没有被广泛配置,因此基于多播测量的网络拓扑识别在实际应用中受到限制。单播网络拓扑识别利用端到端测量获得节点对的相似度(用于描述一个源节点到两个目的节点共享路径长的度),然后根据相应的算法推测出所测网络的逻辑拓扑。现有的单播网络拓扑估计方法可以分为两类:节点对融合方法和分层聚类方法。节点对融合方法的思想是:首先在目的节点集合中找出一对共享路径长度最大的目的节点,为他们创建新的父节点,同时把这对节点从目的节点中删除,并将父节点加入目的节点集合,然后利用判断条件找出该对目的节点的所有邻节点,同时把找出来的这些邻节点从目的节点中删除。一直迭代上述过程,直到目的节点集合中只剩下一个节点为止,最后剩下的这个节点就是根节点的子节点。该方法在节点加入的过程中需要根据给定门限Δ判定每个叶节点是否连接到已知的内部节点,因此门限的选择对该方法的估计精度存在较大影响。分层聚类方法的思想是:把网络拓扑估计问题看成是叶节点聚类过程,把网络拓扑看成是聚类的结果。同样以节点对的共享路径长度作为输入,根据测量的共享路径长度对目的节点以递归的方式进行分层聚类。共享路径长度相似的目的节点被分为同一簇,在拓扑中表现为具有同一父节点。然后递归此过程,直到不能聚类为止,得到最终拓扑。分层聚类方法不需要给定门限,并且具有估计精度高的优点,但是该方法在聚类过程中需要根据给定准则判断聚类结果的好坏,通常采用基于最大似然的方法判断,其存在的问题是计算复杂度过高。节点对融合方法中,其优点是计算简单,但缺点也比较明显:门限值Δ的取值都是取人为的经验值,比如所有节点对的共享路径的最大值或者最小值,这就会导致最后所得到的拓扑对于门限值Δ的依赖性过高。Δ过小很导致本来应该是邻居节点的节点被误判为不是邻居节点,Δ过大会导致本来不是邻居节点的节点被误判为是邻居节点。以上两种误判都会导致最终拓扑识别的错误。从而使得节点对融合方法的拓扑估计正确率不高。分层聚类方法中克服了节点对融合方法对于Δ人为取值依赖性过高的缺点,提高了拓扑估计正确率,但是计算复杂度较高。
发明内容
为了解决以上问题,本发明提出了一种基于聚类判断准则的节点对融合网络拓扑估计方法,通过分等级操作,解除了对门限值人为取值的依赖,提高了拓扑估计正确率,同时利用基于聚类的平方误差准则,减少了选出最优拓扑时的计算量。
本发明的技术方案是:一种基于聚类判断准则的节点对融合网络拓扑估计方法,包括以下步骤:
S1.输入源节点S,目的节点集合D,所有目的节点对的共享路径长度L(i,j),
其中,i,j∈D,i≠j,S表示利用发送探测包对网络进行测量时的源节点,D表示从源节点S可到达的一系列目的节点集合,L(i,j)表示从源节点S出发分别到节点i和节点j两条路径的共享路径长度;
S2.进行初始化操作,设定门限等级数t为0,门限值集合Δ′=φ,拓扑集合T′=φ,平方误差集合W′=φ;
S3.根据公式将区间分成m个等级,并赋值给门限值Δ,
其中,为门限的经验值,t=t+1,m为总门限等级数;
S4.根据步骤S3中分等级操作后的门限值,利用节点对融合方法求出拓扑;
S5.通过比较t与m,判断门限值分等级操作是否完成;
S6.若门限值分等级操作完成,则利用聚类判断准则,从所有得到的拓扑中选择最优拓扑;
S7.输出最优拓扑作为最终结果。
进一步地,上述步骤S4根据节点对融合方法求出一个拓扑具体为将Δ的当前取值作为经验值,根据节点对融合方法得到一个拓扑并且Δ′=Δ′∪Δ,W′=W′∪W,其中,V表示最终拓扑的所有节点的集合,E表示最终拓扑的所有链路集合,W表示平方误差集合中的一个元素。
进一步地,上述步骤S5判断门限值分等级操作是否完成具体为判断此时t是否小于m,若t<m,则返回步骤S3;若t≥m,则门限值分等级操作完成。
进一步地,上述步骤S6利用聚类判断准则从所有得到的拓扑中选择最优拓扑具体为将所有得到的拓扑作为一种聚类结果,调用基于聚类的平方误差准则选择出其中平方误差最小的拓扑作为最优拓扑。
本发明的有益效果是:本发明的基于聚类判断准则的节点对融合网络拓扑估计方法将节点对融合方法和分层聚类方法结合,通过对Δ进行分等级操作,将每一个不同的Δ值对应一个求出来的拓扑,解除了对门限值人为取值的依赖,提高了拓扑估计正确率;再基于分层聚类的思想,利用基于聚类的平方误差准则从所有的拓扑中选出最优的拓扑作为输出结果,减少了选出最优拓扑时的计算量。
附图说明
图1是本发明的基于聚类判断准则的节点对融合网络拓扑估计方法流程示意图。
图2是本发明的聚类判断准则流程示意图。
图3是本发明的仿真拓扑结构示意图。
图4是本发明的仿真测量结果示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
如图1所示,为本发明的基于聚类判断准则的节点对融合网络拓扑估计方法流程示意图。一种基于聚类判断准则的节点对融合网络拓扑估计方法,包括以下步骤:
S1.输入源节点S,目的节点集合D,所有目的节点对的共享路径长度L(i,j),
其中,i,j∈D,i≠j,S表示利用发送探测包对网络进行测量时的源节点,D表示从源节点S可到达的一系列目的节点集合,L(i,j)表示从源节点S出发分别到节点i和节点j两条路径的共享路径长度。
S2.进行初始化操作,设定门限等级数t为0,门限值集合Δ′=φ,拓扑的集合T′=φ,平方误差集合W′=φ,使所有集合置为空集。
S3.对门限值进行分等级操作。
根据公式将区间分成m个等级,并赋值给门限值Δ,其中为门限的经验值,t=t+1,m为根据实际情况预先设定的总门限等级数。这里t=t+1表示对t逐次递增1。
S4.根据步骤S3中分等级操作后的门限值,利用节点对融合方法求出拓扑。
将门限值Δ的当前取值作为经验值,根据节点对融合方法得到一个拓扑并且Δ′=Δ′∪Δ,W′=W′∪W,其中,V表示最终拓扑的所有节点的集合,E表示最终拓扑的所有链路集合,W表示计算出的平方误差集合中的一个元素。每一个不同的Δ取值对应一个求得的拓扑。
节点对融合方法具体为根据步骤S1中输入的源节点S,目的节点集合D,所有目的节点对的共享路径长度L(i,j),在目的节点集合D中找出一对共享路径长度最大的目的节点,并创建新的父节点,同时把这对节点从目的节点中删除;将父节点加入目的节点集合,然后利用判断条件找出该对目的节点的所有邻节点,同时把找出来的这些邻节点从目的节点中删除。一直迭代上述过程,直到目的节点集合中只剩下一个节点为止,最后剩下的这个节点就是根节点的子节点。
S5.判断门限值分等级操作是否完成。
判断此时t是否小于m,若t<m,则返回步骤S3;若t≥m,则门限值分等级操作完成。
S6.若门限值分等级操作完成,则利用聚类判断准则,从所有得到的拓扑中选择最优拓扑。
将网络拓扑类比与聚类的结果,以节点对的共享路径长度作为输入,根据测量的共享路径长度对目的节点以递归的方式进行分层聚类。共享路径长度相似的目的节点被分为同一簇,在拓扑中表现为具有同一父节点。然后递归此过程,直到不能聚类为止,得到最终拓扑。处理的数据集结构未知时,聚类结果的评价只能依赖数据集自身的特征和量值,在这种情况下,聚类分析的度量依据紧密度和分离度。此外,还要考虑单个簇的大小,以达到均衡较好的解。针对树拓扑的特征,选用簇内方差即误差平方和最小方差标准,寻求簇内距离最小化。如图2所示,为本发明的聚类判断准则流程示意图。
i用来计数当前已经处理到第几个簇,其最大值为拓扑的所有的分簇的数目。sum表示平方误差和,刚开始的时候为0。C是所有的簇。把有相同父节点的所有叶子节点可以看成是聚类结果中的一个簇,将拓扑分成7个簇。如图3所示,为本发明的仿真拓扑结构示意图。17为父节点的簇包括1、2、3。18为父节点的簇包括4、5。19为父节点的簇包括7、8。16为父节点的簇包括10、11、12。14为父节点的簇包括1、2、3、4、5。15为父节点的簇包括6、7、8、9。13为父节点的簇包括1、2、3、4、5、6、7、8、9、10、11、12。
先从第一个簇开始,然后遍历该簇中的所有不同的叶子节点对,l_t表示该对叶子节点在拓扑中所在的层数,v_t表示该对叶子节点的共享路径长度。l_t的倒数作为该节点对的乘积因子,v_t减去u_t作为该节点和簇心的误差,需要说明的是u_t的值是该簇中所有叶子节点对的共享路径值得平均值。最后通过累加这些乘积项的值得到最后的平方误差总和。选择出其中平方误差最小的拓扑作为最优拓扑,对应的门限值也为最优值。
S7.输出最优拓扑作为最终结果。
下面结合具体仿真测量结果示意图对本发明的基于聚类判断准则的节点对融合网络拓扑估计方法作进一步说明。
叶子节点的共享路径长度由发送“三明治包”获得,如图3所示,横坐标为t,纵坐标为平方误差值,门限等级t共为20级。当t=0时,此时的Δ值为0,在这种情况下,调用节点对融合方法时,会把所有的其他节点都判断成不是当前叶子节点对的邻居节点,易知此时得到的树拓扑是一个纯粹的二叉树,显然这不是原始仿真拓扑图。随着t的增加,Δ的值也不断的增加,在某一段区间的时候Δ的值取值较为合理,可以认为是最优拓扑,此时得到的拓扑和仿真拓扑一样,所对应的平方误差也最小。过了这段区间,随着t的增加,Δ的值也增加,并且变得不合理,Δ过大的时候会把原来不应该属于该叶子节点对的邻居节点判断成该叶子节点对的邻居节点,显然此时所对应的拓扑也不是正确的拓扑,当然,所对应的平方误差也增加。取不同的门限值时,Δ的值也会相应的不同,所对应的拓扑的平方误差的值如图4所示。图4中t为[1,9]区间的拓扑为最优拓扑。从图4中可以明显的看到拓扑从一个纯粹的二叉树变成最优拓扑,再因为由于Δ变大,拓扑变成错误的估计结果的变化过程。
本领域的普通技术人员将会意识到,这里所述的实施例是为了帮助读者理解本发明的原理,应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合,这些变形和组合仍然在本发明的保护范围内。
Claims (4)
1.一种基于聚类判断准则的节点对融合网络拓扑估计方法,其特征在于,包括以下步骤:
S1.输入源节点S,目的节点集合D,所有目的节点对的共享路径长度L(i,j),
其中,i,j∈D,i≠j,S表示利用发送探测包对网络进行测量时的源节点,D表示从源节点S可到达的一系列目的节点集合,L(i,j)表示从源节点S出发分别到节点i和节点j两条路径的共享路径长度;
S2.进行初始化操作,设定门限等级数t为0,门限值集合Δ′=φ,拓扑集合T′=φ,平方误差集合W′=φ;
S3.根据公式将区间分成m个等级,并赋值给门限值Δ,
其中,为门限的经验值,t=t+1,m为总的门限等级数;
S4.根据步骤S3中分等级操作后的门限值,利用节点对融合方法求出拓扑;
S5.通过比较t与m,判断门限值分等级操作是否完成;
S6.若门限值分等级操作完成,则利用聚类判断准则,从所有得到的拓扑中选择最优拓扑;
S7.输出最优拓扑作为最终结果。
2.如权利要求1或所述的基于聚类判断准则的节点对融合网络拓扑估计方法,其特征在于:所述步骤S4根据分等级操作后的门限值,利用节点对融合方法求出拓扑具体为将门限值Δ的当前取值作为经验值,根据节点对融合方法得到一个拓扑并且Δ′=Δ′∪Δ,W′=W′∪W,其中,V表示最终拓扑的所有节点的集合,E表示最终拓扑的所有链路集合,W表示平方误差集合中的一个元素。
3.如权利要求1所述的基于聚类判断准则的节点对融合网络拓扑估计方法,其特征在于:所述步骤S5判断门限值分等级操作是否完成具体为判断此时t是否小于m,若t<m,则返回步骤S3;若t≥m,则门限值分等级操作完成。
4.如权利要求1所述的基于聚类判断准则的节点对融合网络拓扑估计方法,其特征在于:所述步骤S6利用聚类判断准则从所有得到的拓扑中选择最优拓扑具体为将所有得到的拓扑作为一种聚类结果,调用基于聚类的平方误差准则选择出其中平方误差最小的拓扑作为最优拓扑。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410476794.9A CN104348665A (zh) | 2014-09-17 | 2014-09-17 | 基于聚类判断准则的节点对融合网络拓扑估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410476794.9A CN104348665A (zh) | 2014-09-17 | 2014-09-17 | 基于聚类判断准则的节点对融合网络拓扑估计方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN104348665A true CN104348665A (zh) | 2015-02-11 |
Family
ID=52503535
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410476794.9A Pending CN104348665A (zh) | 2014-09-17 | 2014-09-17 | 基于聚类判断准则的节点对融合网络拓扑估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104348665A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105101093A (zh) * | 2015-09-10 | 2015-11-25 | 电子科技大学 | 一种关于地理位置信息的网络拓扑可视化方法 |
CN106254168A (zh) * | 2016-10-10 | 2016-12-21 | 合肥红珊瑚软件服务有限公司 | 一种单播网络拓扑推断方法 |
CN110266524A (zh) * | 2019-06-04 | 2019-09-20 | 深圳市国电科技通信有限公司 | 一种基于分簇递归算法的电气拓扑识别方法 |
CN110912748A (zh) * | 2019-11-28 | 2020-03-24 | 深圳市国电科技通信有限公司 | 一种基于时延测量的低压台站电力供电网络的物理拓扑发现方法 |
CN111401412A (zh) * | 2020-02-29 | 2020-07-10 | 同济大学 | 一种基于平均共识算法的物联网环境下分布式软聚类方法 |
CN113489779A (zh) * | 2021-07-01 | 2021-10-08 | 扬州大学 | 一种基于网络拓扑分层的精确缓存放置方法 |
-
2014
- 2014-09-17 CN CN201410476794.9A patent/CN104348665A/zh active Pending
Non-Patent Citations (3)
Title |
---|
张润生: "基于合并分层聚类的网络拓扑推断算法", 《电子学报》 * |
段明秀: "层次聚类算法的研究及应用", 《中国优秀硕士学位论文全文数据库》 * |
王育红: "网络拓扑结构层析成像的改进算法研究", 《中国优秀硕士学位论文全文数据库》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105101093A (zh) * | 2015-09-10 | 2015-11-25 | 电子科技大学 | 一种关于地理位置信息的网络拓扑可视化方法 |
CN105101093B (zh) * | 2015-09-10 | 2018-05-29 | 电子科技大学 | 一种关于地理位置信息的网络拓扑可视化方法 |
CN106254168A (zh) * | 2016-10-10 | 2016-12-21 | 合肥红珊瑚软件服务有限公司 | 一种单播网络拓扑推断方法 |
CN110266524A (zh) * | 2019-06-04 | 2019-09-20 | 深圳市国电科技通信有限公司 | 一种基于分簇递归算法的电气拓扑识别方法 |
CN110266524B (zh) * | 2019-06-04 | 2022-02-18 | 深圳市国电科技通信有限公司 | 一种基于分簇递归算法的电气拓扑识别方法 |
CN110912748A (zh) * | 2019-11-28 | 2020-03-24 | 深圳市国电科技通信有限公司 | 一种基于时延测量的低压台站电力供电网络的物理拓扑发现方法 |
CN111401412A (zh) * | 2020-02-29 | 2020-07-10 | 同济大学 | 一种基于平均共识算法的物联网环境下分布式软聚类方法 |
CN111401412B (zh) * | 2020-02-29 | 2022-06-14 | 同济大学 | 一种基于平均共识算法的物联网环境下分布式软聚类方法 |
CN113489779A (zh) * | 2021-07-01 | 2021-10-08 | 扬州大学 | 一种基于网络拓扑分层的精确缓存放置方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104348665A (zh) | 基于聚类判断准则的节点对融合网络拓扑估计方法 | |
CN106847302B (zh) | 基于卷积神经网络的单通道混合语音时域分离方法 | |
CN110659693B (zh) | 基于k近邻分类的配电网快速拓扑识别方法、系统及介质 | |
CN112510841B (zh) | 配电自动化的拓扑识别方法及装置 | |
CN109949176B (zh) | 一种基于图嵌入的社交网络中异常用户检测方法 | |
WO2015003414A1 (zh) | 一种基于多参数认知的快速网络拓扑推断方法 | |
CN103400299B (zh) | 基于重叠点识别的网络重叠社团检测方法 | |
CN112381171B (zh) | 一种基于组合模型的多传感器节点缺失数据填充方法 | |
CN106912040B (zh) | 一种融合删除法的Ad Hoc网络关键节点识别方法 | |
CN109684520A (zh) | 一种大规模时序图顶点相似度计算方法 | |
CN104700311B (zh) | 一种社会网络中的邻域跟随社区发现方法 | |
CN113411213A (zh) | 基于物联网的自组网拓扑控制方法及协同监测方法 | |
CN104270283B (zh) | 一种基于高阶累积量的网络拓扑估计方法 | |
Jung et al. | Scalable graph signal recovery for big data over networks | |
CN114221991A (zh) | 基于大数据的会话推荐反馈处理方法及深度学习服务系统 | |
CN105306291B (zh) | 一种基于丢包率和时延联合的网络拓扑估计方法 | |
CN112865891B (zh) | Pucch信号检测方法、装置、通信设备和存储介质 | |
Chen et al. | An efficient solution to locate sparsely congested links by network tomography | |
CN105095153B (zh) | 一种广义数据融合方法 | |
Bhaskar | Localization from connectivity: A 1-bit maximum likelihood approach | |
CN112597699B (zh) | 一种融入客观赋权法的社交网络谣言源识别方法 | |
Huff et al. | DHA-FL: Enabling efficient and effective AIoT via decentralized hierarchical asynchronous federated learning | |
CN109444899A (zh) | 一种基于纯角度信息的航迹关联方法 | |
CN110728665B (zh) | 基于并行概率神经网络的sar图像变化检测方法 | |
US20120198060A1 (en) | network delay estimation apparatus and a network delay estimation method |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20150211 |
|
RJ01 | Rejection of invention patent application after publication |