CN106130813B - 一种基于自适应因子探测的智能化网络设备扫描方法 - Google Patents
一种基于自适应因子探测的智能化网络设备扫描方法 Download PDFInfo
- Publication number
- CN106130813B CN106130813B CN201610403472.0A CN201610403472A CN106130813B CN 106130813 B CN106130813 B CN 106130813B CN 201610403472 A CN201610403472 A CN 201610403472A CN 106130813 B CN106130813 B CN 106130813B
- Authority
- CN
- China
- Prior art keywords
- adaptive factor
- value
- assigned
- executes
- network
- 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
- 230000003044 adaptive effect Effects 0.000 title claims abstract description 85
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000001514 detection method Methods 0.000 title claims abstract description 29
- 230000004083 survival effect Effects 0.000 claims abstract description 14
- 230000008859 change Effects 0.000 claims description 44
- 230000008569 process Effects 0.000 claims description 12
- 230000001174 ascending effect Effects 0.000 claims description 3
- 230000000977 initiatory effect Effects 0.000 claims description 3
- 230000006978 adaptation Effects 0.000 claims 1
- 239000000523 sample Substances 0.000 abstract description 3
- 238000002474 experimental method Methods 0.000 description 13
- 238000010586 diagram Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 239000010410 layer Substances 0.000 description 3
- 238000012937 correction Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 1
- 239000012792 core layer Substances 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
- 230000000087 stabilizing effect Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- 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
- H04L43/12—Network monitoring probes
-
- 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
- H04L41/02—Standardisation; Integration
- H04L41/0213—Standardised network management protocols, e.g. simple network management protocol [SNMP]
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)
Abstract
本发明公开一种基于自适应因子探测的智能化网络设备扫描方法,包括以下步骤:自适应因子初始化阶段;自适应因子动态更新阶段。本发明将自适应因子概念引入网络设备存活探测领域,通过引入生存计数、自适应因子、自适应因子变更次数等三个参数,计算出较为合适的扫描权值,实现扫描IP地址的自适应学习和自适应因子的动态校正,避免重复扫描的出现,一方面可以大大减少探测报文的数量,减少网络资源的消耗,同时又可以最大程度发现网络中非存活设备,降低了存活探测时间,解决由于网络设备数量庞大带来的扫描效率不足的问题,做到真正意义上的高效。
Description
技术领域
本发明涉及网络设备存活探测领域,具体涉及一种用于解决大规模网络环境下设备存活探测困难、基于自适应因子探测的智能化网络设备扫描方法。
背景技术
对于大规模网络来说,网络资源状况的采集与探测是一项非常重要的内容,因为网络探测能够有效发现通塞节点、探测可用宽带,是实现负载均衡、确保网络稳定运行的基础。同时,一旦某一节点的网络设备发生故障,需要通过网络探测来及时获取并采用相应的处理措施,以便尽快恢复网络运行。
目前对于网络探测的通常做法是依赖于网络最上层,即核心层连接中心服务器来探测网络,并采集相关信息,具体来说是利用SNMP(Simple Network ManagementProtocol,简单网络管理协议)和各个网络设备进行通信,获得各节点的网络资源信息,并对采集的信息进行分析,同时完成网络状况信息的采集。
SNMP协议,由一组网络管理的标准组成,包含一个应用层协议(applicationlayer protocol)、数据库模型(database schema)和一组资源对象。该协议能够支持网络管理系统,用以监测连接在网络上的设备是否有任何引起管理上关注的情况。目前多采用SNMP最新版本的协议,能够使网络管理员能够管理网络效能,发现并解决网络问题以及规划网络增长。通过SNMP接收随机消息(事件报告),网络管理系统获知网络出现问题。
SNMP协议对网络的探测主要是基于轮询机制实现的,即定期轮询网络中的各个网络设备,获得该设备当前的信息,这种机制虽然能够满足对网络的管理需求,但是不是基于整个网络的管理方式,因此运行效率较低,尤其是当某网段中存活设备较少时。
本发明正是在这样的背景下,将自适应因子引入网络设备存活探测领域,结合ping这一简单的命令,提供一种基于自适应因子探测的智能化网络设备扫描方法。
发明内容
针对包括接入交换机、汇聚交换机、核心交换机、路由器的多层次分布式网络结构,为解决海量节点的分布式网络中查找非存活设备费时较长的问题,本发明提供一种基于自适应因子探测的智能化网络设备扫描方法,将自适应因子概念引入网络设备存活探测领域,自适应因子初始化和自适应因子动态更新两个阶段,其中在网络建成后进行统一初始化阶段,基本确定网络通畅情况,也可根据实际情况随时初始化;而自适应因子动态更新阶段,则是当后台服务器主动对网络进行扫描时,对各自适应因子的校正,以进一步减少扫描所耗用的时间。
为实现上述目的,本发明采用的技术方案是:一种基于自适应因子探测的智能化网络设备扫描方法,包括以下步骤:
(1)自适应因子初始化阶段;
(2)自适应因子动态更新阶段。
进一步地,步骤(1)包括以下步骤:
(1.1)创建自适应因子集合AF,其结构为<ip,net,life,f(a),change>五元组,其中ip为扫描对象的IP地址,net为扫描对象的网络号,life为扫描对象的生存计数,f(a)为自适应因子,change为自适应因子变更次数;
(1.2)将自适应因子集合AF中所有五元组进行初始化;
(1.3)自适应因子集合AF所有五元组初始化完成后,对自适应因子集合AF按照net进行递增排序,输出自适应因子集合AF,供动态更新阶段读取使用。
进一步地,步骤(1.2)包括以下步骤:
(1.2.1)将变量i赋值为0,变量j赋值为1;
(1.2.2)根据实际网络情况输入网络号AF[i].net;
(1.2.3)读取网络号AF[i].net的第j个IP地址,将该IP地址存储在AF[i].ip中;AF[i].life设置为100,AF[i].f(a)设置为1,AF[i].change设置为0;若j<size(AF[i].net)且i<length(AF),则对i和j分别进行+1操作,继续执行步骤(1.2.3);否则,若j≥size(AF[i].net),j赋值为1,i进行+1操作,继续执行步骤(1.2.2);否则,若i≥length(AF),i赋值为0,然后执行步骤(1.2.4);否则,若i<length(AF),j赋值为1,i进行+1操作,继续执行步骤(1.2.2);
(1.2.4)读取AF[i].ip,使用ping命令,探测所读取的AF[i].ip的存活情况,并记录返回时间t[i],若t[i]<100ms,执行步骤(1.2.5);否则,若100ms≤t[i]<500ms,执行步骤(1.2.6),否则,若500ms≤t[i]≤2000ms,执行步骤(1.2.7),否则,若t[i]>2000ms,执行步骤(1.2.8);
(1.2.5)AF[i].f(a)赋值为1,AF[i].change赋值为0,然后执行步骤(1.2.9);
(1.2.6)AF[i].f(a)赋值为1,AF[i].change赋值为1,然后执行步骤(1.2.9);
(1.2.7)将t[i]带入公式计算出自适应因子AF[i].f(a),将AF[i].change赋值为1,然后执行步骤(1.2.9);
(1.2.8)将AF[i].f(a)赋值为5,AF[i].change赋值为1,然后执行步骤(1.2.9);
(1.2.9)若i<length(AF)-1,i执行+1操作,然后执行步骤(1.2.4);否则,若i≥length(AF)-1,自适应因子集合AF中所有五元组进行初始化完成,然后执行步骤(1.3)。
进一步地,步骤(2)包括以下步骤:
(2.1)启动网络扫描进程,计算扫描权值Sw,开始对扫描对象的扫描任务;
(2.2)启动自适应因子更新进程;
(2.3)若发现未初始化的网络地址,跳转至步骤(1.1)进行初始化,否则,执行Sleep(x),然后执行步骤(2.1),其中x为需要暂停扫描的间隔时间。
进一步地,步骤(2.1)包括以下步骤:
(2.1.1)将变量i赋值为0;
(2.1.2)依次读取AF[i].life、AF[i].f(a)和AF[i].change这三个值,代入公式,计算出扫描权值Sw[i],其中m、n、k为大于0的实数;
(2.1.3)若i<length(AF)-1,i执行+1操作,然后执行步骤(2.1.2);否则,若i≥length(AF)-1,网络扫描进程启动成功,然后执行步骤(2.2)。
进一步地,步骤(2.2)包括以下步骤:
(2.2.1)将变量i赋值为0;
(2.2.2)将Sw[i]值与扫描基准权值Sw0比较,若Sw[i]≥Sw0,执行步骤(2.2.3),否则,执行步骤(2.2.8),其中扫描基准权值Sw0为大于0的实数;
(2.2.3)读取AF[i].ip,使用ping命令,探测所读取的AF[i].ip的存活情况,并记录返回时间ts[i],若ts[i]<100ms,执行步骤(2.2.4),否则,若100ms≤ts[i]<500ms,执行步骤(2.2.5),否则,若500ms≤ts[i]≤2000ms,执行步骤(2.2.6),否则,若ts[i]>2000ms,执行步骤(2.2.7);
(2.2.4)对AF[i].life执行+1操作,AF[i].change赋值为1,AF[i].f(a)赋值为1,然后执行步骤(2.2.9);
(2.2.5)AF[i].life、AF[i].change分别执行+1操作,AF[i].f(a)赋值为1,然后执行步骤(2.2.9);
(2.2.6)对AF[i].change执行+1操作,将ts[i]代入公式 计算出新的自适应因子AF[i].f(a),然后执行步骤(2.2.9);
(2.2.7)对AF[i].change执行+1操作,AF[i].f(a)赋值为5,进行报警,提示该IP地址不通;若AF[i].life>1,AF[i].life执行-1操作,然后执行步骤(2.2.9),否则,将AF[i].life赋值为1,然后执行步骤(2.2.9);
(2.2.8)对AF[i].life执行-1操作,AF[i].change、AF[i].f(a)均保持不变,然后执行步骤(2.2.9);
(2.2.9)若i<length(AF)-1,i执行+1操作,然后执行步骤(2.2.2);否则,若i≥length(AF)-1,自适应因子更新完成,然后执行步骤(2.3)。
本发明提供的基于自适应因子探测的智能化网络设备扫描方法,将自适应因子概念引入网络设备存活探测领域,通过引入生存计数、自适应因子、自适应因子变更次数等三个参数,计算出较为合适的扫描权值,实现扫描IP地址的自适应学习和自适应因子的动态校正,避免重复扫描的出现,一方面可以大大减少探测报文的数量,减少网络资源的消耗,同时又可以最大程度发现网络中非存活设备,降低了存活探测时间,解决由于网络设备数量庞大带来的扫描效率不足的问题,做到真正意义上的高效。
附图说明
图1是本发明具体实施例总体流程示意图。
图2是步骤(1.2)将自适应因子集合AF进行初始化的详细流程示意图。
图3是步骤(2.2)启动自适应因子更新进程的详细流程示意图。
图4是公式中,不同m、n、k参数下全网扫描时间比较曲线图。
图5是不同扫描基准权值Sw0参数下全网扫描时间比较图。
图6是在m=1、n=1、k=1、Sw0=0.1下本发明与传统SNMP探测的全网扫描时间对比图。
具体实施方式
下面结合附图并通过具体实施例对本发明进行详细阐述,以下实施例是对本发明的解释,而本发明并不局限于以下实施方式。
在网络设备数量较大的网络环境下,如何快速扫描整个网络,以发现出现故障、无法连接的设备成为一个挑战。本发明提供一种基于自适应因子探测的智能化网络设备扫描方法,本发明的扫描方法共分为两个阶段:自适应因子初始化阶段和自适应因子动态更新阶段。采用本发明的扫描策略,能够快速的完成网段扫描,大大减少探测报文的数量,又可以最大程度发现网络中非存活设备,提高工作效率。
如图1-3所示,本发明的扫描方法具体包括以下步骤:
(1)自适应因子初始化阶段。
(1.1)创建自适应因子集合AF,其结构为<ip,net,life,f(a),change>五元组,其中ip为扫描对象的IP地址,net为扫描对象的网络号,life为扫描对象的生存计数,f(a)为自适应因子,change为自适应因子变更次数。
(1.2)将自适应因子集合AF中所有五元组进行初始化。
(1.2.1)将变量i赋值为0,变量j赋值为1。
(1.2.2)根据实际网络情况输入网络号AF[i].net。
(1.2.3)读取网络号AF[i].net的第j个IP地址,将该IP地址存储在AF[i].ip中;AF[i].life设置为100,AF[i].f(a)设置为1,AF[i].change设置为0;若j<size(AF[i].net)且i<length(AF),则对i和j分别进行+1操作,继续执行步骤(1.2.3);否则,若j≥size(AF[i].net),j赋值为1,i进行+1操作,继续执行步骤(1.2.2);否则,若i≥length(AF),i赋值为0,然后执行步骤(1.2.4);否则,若i<length(AF),j赋值为1,i进行+1操作,继续执行步骤(1.2.2)。
(1.2.4)读取AF[i].ip,使用ping命令,探测所读取的AF[i].ip的存活情况,并记录返回时间t[i],若t[i]<100ms,执行步骤(1.2.5);否则,若100ms≤t[i]<500ms,执行步骤(1.2.6),否则,若500ms≤t[i]≤2000ms,执行步骤(1.2.7),否则,若t[i]>2000ms,执行步骤(1.2.8)。
(1.2.5)AF[i].f(a)赋值为1,AF[i].change赋值为0,然后执行步骤(1.2.9)。
(1.2.6)AF[i].f(a)赋值为1,AF[i].change赋值为1,然后执行步骤(1.2.9)。
(1.2.7)将t[i]带入公式计算出自适应因子AF[i].f(a),将AF[i].change赋值为1,然后执行步骤(1.2.9)。
(1.2.8)将AF[i].f(a)赋值为5,AF[i].change赋值为1,然后执行步骤(1.2.9)。
(1.2.9)若i<length(AF)-1,i执行+1操作,然后执行步骤(1.2.4);否则,若i≥length(AF)-1,自适应因子集合AF中所有五元组进行初始化完成,然后执行步骤(1.3)。
(1.3)自适应因子集合AF所有五元组初始化完成后,对自适应因子集合AF按照net进行递增排序,输出自适应因子集合AF,供动态更新阶段读取使用。
(2)自适应因子动态更新阶段。
(2.1)启动网络扫描进程,计算扫描权值Sw,开始对扫描对象的扫描任务。
(2.1.1)将变量i赋值为0。
(2.1.2)依次读取AF[i].life、AF[i].f(a)和AF[i].change这三个值,代入公式,计算出扫描权值Sw[i],其中m、n、k为大于0的实数。
(2.1.3)若i<length(AF)-1,i执行+1操作,然后执行步骤(2.1.2);否则,若i≥length(AF)-1,网络扫描进程启动成功,然后执行步骤(2.2)。
(2.2)启动自适应因子更新进程。
(2.2.1)将变量i赋值为0。
(2.2.2)将Sw[i]值与扫描基准权值Sw0比较,若Sw[i]≥Sw0,执行步骤(2.2.3),否则,执行步骤(2.2.8),其中扫描基准权值Sw0为大于0的实数。
(2.2.3)读取AF[i].ip,使用ping命令,探测所读取的AF[i].ip的存活情况,并记录返回时间ts[i],若ts[i]<100ms,执行步骤(2.2.4),否则,若100ms≤ts[i]<500ms,执行步骤(2.2.5),否则,若500ms≤ts[i]≤2000ms,执行步骤(2.2.6),否则,若ts[i]>2000ms,执行步骤(2.2.7)。
(2.2.4)对AF[i].life执行+1操作,AF[i].change赋值为1,AF[i].f(a)赋值为1,然后执行步骤(2.2.9)。
(2.2.5)AF[i].life、AF[i].change分别执行+1操作,AF[i].f(a)赋值为1,然后执行步骤(2.2.9)。
(2.2.6)对AF[i].change执行+1操作,将ts[i]代入公式 计算出新的自适应因子AF[i].f(a),然后执行步骤(2.2.9)。
(2.2.7)对AF[i].change执行+1操作,AF[i].f(a)赋值为5,进行报警,提示该IP地址不通;若AF[i].life>1,AF[i].life执行-1操作,然后执行步骤(2.2.9),否则,将AF[i].life赋值为1,然后执行步骤(2.2.9)。
(2.2.8)对AF[i].life执行-1操作,AF[i].change、AF[i].f(a)均保持不变,然后执行步骤(2.2.9)。
(2.2.9)若i<length(AF)-1,i执行+1操作,然后执行步骤(2.2.2);否则,若i≥length(AF)-1,自适应因子更新完成,然后执行步骤(2.3)。
(2.3)若发现未初始化的网络地址,跳转至步骤(1.1)进行初始化,否则,执行Sleep(x),然后执行步骤(2.1),其中x为需要暂停扫描的间隔时间。
示范性实例分析:
多次全网扫描时间(Multiple Full Scan Time)是衡量扫描方法是否高效的主要指标。单次全网扫描时间是指扫描第一台网络设备到最后一台网络设备所用的总和,在实际实验中,单次全网扫描时间由于网络环境的不同,通常不具备可比性,通常采用多次全网扫描时间,包括初始化耗用时间以及每轮扫描时间的时间总和。如何通过合理的扫描策略,从而使得尽可能降低初始化时间以及全网扫描时间,是扫描方法重点考虑的问题。
本发明提供的基于自适应因子探测的智能化网络设备扫描方法不采用传统的SNMP协议,仅采用简单的PING命令,同时考虑到了生存计数、自适应因子、自适应因子变更次数等三个参数对网络扫描的影响,依据不稳定网络优先扫描,稳定网络快速通过的原则进行扫描,从而增加网络设备扫描的效率。
为了验证本发明的扫描方法的有效性,发明人针对多次全网扫描时间这一指标,对所提出的方法进行仿真,并与传统SNMP方法进行比较分析,使用的仿真工具是被业界公认的NS2仿真工具。
实验所部署的仿真场景如下所示:
共设置10个C类地址:192.168.0.0/24-192.168.9.0/24,共计2530个设备,对这些设备进行扫描,随机设置网络延迟,随机的将部分设备人为切断。
运行在NS2上的仿真参数如下所示:
1)网络设备采用星型结构,切断部分设备可能会导致下联设备失效;
2)链路宽带全部为千兆;
3)所有NS2上的仿真,通讯开始时间即为自适应因子初始化开始的时间;
4)仅采用PING命令,数据包大小设置为32字节;
5)设置所有的网络设备节点为固定节点。
图4是公式不同m、n、k参数下全网扫描时间比较曲线图,单次实验的扫描次数均为10次,其中分为m=1、n=0.5、k=1,m=1、n=1、k=1,m=1、n=2、k=1,m=1、n=1、k=2,m=1、n=1、k=3等五种参数设置。为了单纯的比较m、n、k参数,在实验中将其他参数设置为相同:网络延迟和设备切断的随机数相同,Sw0设置为0.1,共进行10次实验。
从图4中可得,在实验场景下,当m=1、n=0.5、k=1以及m=1、n=2、k=1时,两个场景的全网扫描时间与m=1、n=1、k=1相比,所消耗的时间更长一些,也即将自适应因子f(a)作为相对主要因子或者将自适应因子变更次数change作为相对主要因子时,效果不如将自适应因子f(a)和自适应因子变更次数change并重好。
另外,在实验场景下,m=1、n=1、k=1、m=1、n=1、k=2和m=1、n=1、k=3进行比较,发现k值越大,全网扫描时间反而越长,也即k越大,生存计数life在公式中的重要程度越小,计算得出的扫描权值Sw越小。
在图4这五组数据的基础之上,发明人进一步细化m、n、k的取值,做了大量实验。通过比较,最终得出公式中,参数m、n、k分别取值为1、1、1时,效果最明显。
图5为不同扫描基准权值Sw0参数下全网扫描时间比较图,单次实验的扫描次数均为10次,其中分为Sw0=0.05,Sw0=0.1,Sw0=0.15等三种参数设置。为了单纯的比较Sw0参数,在实验中将其他参数设置为相同:网络延迟和设备切断的随机数相同,m、n、k分别设置为m=1、n=1、k=1,共进行10次实验。
从图5中可得,在实验场景下,Sw0=0.05和Sw0=0.15的全网扫描时间均比Sw0=0.1要长一些,这说明扫描基准权值Sw0的取值过大或过小,结果都不理想。在图5这三个数据的基础上,发明人进一步细化Sw0的取值,做了大量实验,通过比较最终得出Sw0取值为0.1时,效果最明显。
图6为在m=1、n=1、k=1、Sw0=0.1下,本发明(图中ADBSM代表本发明)与传统SNMP探测的全网扫描时间对比图,单次实验的扫描次数均为10次,可以看出本发明比传统SNMP探测效率更高。
综上所述,本发明提供的基于自适应因子探测的智能化网络设备扫描方法在全网扫描时间方面更优于SNMP探测方法,特别是在具有大量网络设备(如上述示范性实例中的2530台网络设备)的大网络环境下,仍然保持良好的性能。
以上公开的仅为本发明的优选实施方式,但本发明并非局限于此,任何本领域的技术人员能思之的没有创造性的变化,以及在不脱离本发明原理前提下所作的若干改进和润饰,都应落在本发明的保护范围内。
Claims (4)
1.一种基于自适应因子探测的智能化网络设备扫描方法,其特征在于,包括以下步骤:
(1)自适应因子初始化阶段;
(2)自适应因子动态更新阶段;
步骤(1)包括以下步骤:
(1.1)创建自适应因子集合AF,其结构为<ip,net,life,f(a),change>五元组,其中ip为扫描对象的IP地址,net为扫描对象的网络号,life为扫描对象的生存计数,f(a)为自适应因子,change为自适应因子变更次数;
(1.2)将自适应因子集合AF中所有五元组进行初始化;
(1.3)自适应因子集合AF所有五元组初始化完成后,对自适应因子集合AF按照net进行递增排序,输出自适应因子集合AF,供动态更新阶段读取使用;
步骤(1.2)包括以下步骤:
(1.2.1)将变量i赋值为0,变量j赋值为1;
(1.2.2)根据实际网络情况输入网络号AF[i].net;
(1.2.3)读取网络号AF[i].net的第j个IP地址,将该IP地址存储在AF[i].ip中;AF[i].life设置为100,AF[i].f(a)设置为1,AF[i].change设置为0;若j<size(AF[i].net)且i<length(AF),则对i和j分别进行+1操作,继续执行步骤(1.2.3);否则,若j≥size(AF[i].net),j赋值为1,i进行+1操作,继续执行步骤(1.2.2);否则,若i≥length(AF),i赋值为0,然后执行步骤(1.2.4);否则,若i<length(AF),j赋值为1,i进行+1操作,继续执行步骤(1.2.2);
(1.2.4)读取AF[i].ip,使用ping命令,探测所读取的AF[i].ip的存活情况,并记录返回时间t[i],若t[i]<100ms,执行步骤(1.2.5);否则,若100ms≤t[i]<500ms,执行步骤(1.2.6),否则,若500ms≤t[i]≤2000ms,执行步骤(1.2.7),否则,若t[i]>2000ms,执行步骤(1.2.8);
(1.2.5)AF[i].f(a)赋值为1,AF[i].change赋值为0,然后执行步骤(1.2.9);
(1.2.6)AF[i].f(a)赋值为1,AF[i].change赋值为1,然后执行步骤(1.2.9);
(1.2.7)将t[i]带入公式计算出自适应因子AF[i].f(a),将AF[i].change赋值为1,然后执行步骤(1.2.9);
(1.2.8)将AF[i].f(a)赋值为5,AF[i].change赋值为1,然后执行步骤(1.2.9);
(1.2.9)若i<length(AF)-1,i执行+1操作,然后执行步骤(1.2.4);否则,若i≥length(AF)-1,自适应因子集合AF中所有五元组进行初始化完成,然后执行步骤(1.3)。
2.根据权利要求1所述的基于自适应因子探测的智能化网络设备扫描方法,其特征在于,步骤(2)包括以下步骤:
(2.1)启动网络扫描进程,计算扫描权值Sw,开始对扫描对象的扫描任务;
(2.2)启动自适应因子更新进程;
(2.3)若发现未初始化的网络地址,跳转至步骤(1.1)进行初始化,否则,执行Sleep(x),然后执行步骤(2.1),其中x为需要暂停扫描的间隔时间。
3.根据权利要求2所述的基于自适应因子探测的智能化网络设备扫描方法,其特征在于,步骤(2.1)包括以下步骤:
(2.1.1)将变量i赋值为0;
(2.1.2)依次读取AF[i].life、AF[i].f(a)和AF[i].change这三个值,代入公式,计算出扫描权值Sw[i],其中m、n、k为大于0的实数;
(2.1.3)若i<length(AF)-1,i执行+1操作,然后执行步骤(2.1.2);否则,若i≥length(AF)-1,网络扫描进程启动成功,然后执行步骤(2.2)。
4.根据权利要求2或3所述的基于自适应因子探测的智能化网络设备扫描方法,其特征在于,步骤(2.2)包括以下步骤:
(2.2.1)将变量i赋值为0;
(2.2.2)将Sw[i]值与扫描基准权值Sw0比较,若Sw[i]≥Sw0,执行步骤(2.2.3),否则,执行步骤(2.2.8),其中扫描基准权值Sw0为大于0的实数;
(2.2.3)读取AF[i].ip,使用ping命令,探测所读取的AF[i].ip的存活情况,并记录返回时间ts[i],若ts[i]<100ms,执行步骤(2.2.4),否则,若100ms≤ts[i]<500ms,执行步骤(2.2.5),否则,若500ms≤ts[i]≤2000ms,执行步骤(2.2.6),否则,若ts[i]>2000ms,执行步骤(2.2.7);
(2.2.4)对AF[i].life执行+1操作,AF[i].change赋值为1,AF[i].f(a)赋值为1,然后执行步骤(2.2.9);
(2.2.5)AF[i].life、AF[i].change分别执行+1操作,AF[i].f(a)赋值为1,然后执行步骤(2.2.9);
(2.2.6)对AF[i].change执行+1操作,将ts[i]代入公式 计算出新的自适应因子AF[i].f(a),然后执行步骤(2.2.9);
(2.2.7)对AF[i].change执行+1操作,AF[i].f(a)赋值为5,进行报警,提示该IP地址不通;若AF[i].life>1,AF[i].life执行-1操作,然后执行步骤(2.2.9),否则,将AF[i].life赋值为1,然后执行步骤(2.2.9);
(2.2.8)对AF[i].life执行-1操作,AF[i].change、AF[i].f(a)均保持不变,然后执行步骤(2.2.9);
(2.2.9)若i<length(AF)-1,i执行+1操作,然后执行步骤(2.2.2);否则,若i≥length(AF)-1,自适应因子更新完成,然后执行步骤(2.3)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610403472.0A CN106130813B (zh) | 2016-06-06 | 2016-06-06 | 一种基于自适应因子探测的智能化网络设备扫描方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610403472.0A CN106130813B (zh) | 2016-06-06 | 2016-06-06 | 一种基于自适应因子探测的智能化网络设备扫描方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106130813A CN106130813A (zh) | 2016-11-16 |
CN106130813B true CN106130813B (zh) | 2019-04-02 |
Family
ID=57270321
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610403472.0A Active CN106130813B (zh) | 2016-06-06 | 2016-06-06 | 一种基于自适应因子探测的智能化网络设备扫描方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106130813B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103024814A (zh) * | 2013-01-09 | 2013-04-03 | 中国人民解放军理工大学 | 一种基于冗余控制和分簇路由的无线传感网节能方法 |
CN104363633A (zh) * | 2014-10-30 | 2015-02-18 | 苏州德鲁森自动化系统有限公司 | 一种无线局域网的扫描方法 |
CN105553768A (zh) * | 2015-12-15 | 2016-05-04 | 浙江工商大学 | 一种基于自适应超时时间的sdn控制器故障检测方法 |
CN105634868A (zh) * | 2016-01-21 | 2016-06-01 | 中国科学院信息工程研究所 | 一种网络扫描发包速率探测系统及方法 |
-
2016
- 2016-06-06 CN CN201610403472.0A patent/CN106130813B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103024814A (zh) * | 2013-01-09 | 2013-04-03 | 中国人民解放军理工大学 | 一种基于冗余控制和分簇路由的无线传感网节能方法 |
CN104363633A (zh) * | 2014-10-30 | 2015-02-18 | 苏州德鲁森自动化系统有限公司 | 一种无线局域网的扫描方法 |
CN105553768A (zh) * | 2015-12-15 | 2016-05-04 | 浙江工商大学 | 一种基于自适应超时时间的sdn控制器故障检测方法 |
CN105634868A (zh) * | 2016-01-21 | 2016-06-01 | 中国科学院信息工程研究所 | 一种网络扫描发包速率探测系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN106130813A (zh) | 2016-11-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US9628339B1 (en) | Network testbed creation and validation | |
CN111766837B (zh) | 使用集中式控制器计划和管理网络探测 | |
CN107566150B (zh) | 处理云资源的方法和物理节点 | |
US9774496B2 (en) | Configuration information auto-management method based on intelligent substation | |
CN104718723B (zh) | 用于虚拟网络中的联网和安全服务的框架 | |
EP3780498A1 (en) | Network deployment method and apparatus | |
US9742639B1 (en) | Intelligent network resource discovery and monitoring | |
CN110661669A (zh) | 一种基于icmp、tcp、udp协议的网络设备的网络拓扑自动发现方法 | |
WO2015121864A1 (en) | A system and method for integrating legacy flow-monitoring systems with sdn networks | |
US10778505B2 (en) | System and method of evaluating network asserts | |
US20140317313A1 (en) | Nat sub-topology management server | |
US5619615A (en) | Method and apparatus for identifying an agent running on a device in a computer network | |
JP5234544B2 (ja) | ネットワーク構成情報取得方法および装置 | |
CN103220167B (zh) | 一种分布式监控系统及其数据存储方法 | |
CN107094091B (zh) | 一种智能变电站站控层网络配置校验方法和系统 | |
CN110855464A (zh) | 一种网络拓扑结构调整方法和装置 | |
Huang et al. | A topology-cognitive algorithm framework for virtual network embedding problem | |
CN105515825B (zh) | 一种用于网管容量测试的snmp模拟器及其测试方法 | |
CN108769118A (zh) | 一种分布式系统中主节点的选取方法及装置 | |
CN114915561A (zh) | 网络拓扑图生成方法和装置 | |
CN106878095A (zh) | 一种基于想定分布式仿真的网络配置方法及系统 | |
CN106130813B (zh) | 一种基于自适应因子探测的智能化网络设备扫描方法 | |
CN110868332B (zh) | 一种基于sdn的网络级流量测量方法 | |
Zichao et al. | Ethernet topology discovery for virtual local area networks with incomplete information | |
Prevezanos et al. | Hammer: A real-world end-to-end network traffic simulator |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |