CN108632080A - 一种基于统计优化的网络业务流量生成方法 - Google Patents
一种基于统计优化的网络业务流量生成方法 Download PDFInfo
- Publication number
- CN108632080A CN108632080A CN201810246761.3A CN201810246761A CN108632080A CN 108632080 A CN108632080 A CN 108632080A CN 201810246761 A CN201810246761 A CN 201810246761A CN 108632080 A CN108632080 A CN 108632080A
- Authority
- CN
- China
- Prior art keywords
- parameter
- time
- grouping
- network
- value
- 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.)
- Granted
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
- H04L41/14—Network analysis or design
- H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a network
-
- 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
- H04L41/14—Network analysis or design
- H04L41/142—Network analysis or design using statistical or mathematical methods
-
- 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
- H04L43/50—Testing arrangements
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- Algebra (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Mathematical Physics (AREA)
- Probability & Statistics with Applications (AREA)
- Pure & Applied Mathematics (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明属于有线网络通信技术领域,公开了一种基于统计优化的网络业务流量生成方法,根据输入配置参数结合流量模型产生自相似和非自相似的网络流量,丰富了测试流量类型的多样性;非自相似网络流量通过建立泊松模型产生,自相似网络流量通过建立ON/OFF模型产生;网络流量的生成包括根据输入和建立的网络流量模型产生数据分组和数据分组间隔;在生成自相似网络流量的过程中,现有的ON/OFF模型中OFF阶段的随机分布均值计算存在误差,通过统计优化的方式对模型参数进行误差校正,通过校正之后的ON/OFF模型产生流量,结果显示,参数校正增大了生成的流量,提高了数据的产生速率。
Description
技术领域
本发明属于有线网络通信技术领域,尤其涉及一种基于统计优化的网络业务流量生成方法。
背景技术
随着以太网网络技术的迅速发展,它的规模越来越大,各种新技术也层出不穷。为了验证这些新技术的可行性和可靠性,在大规模部署之前必须对其进行测试。在不同的信源输入条件下同一种技术的性能往往是不一样的。因为大规模的实际网络测试既不经济又不现实,所以网络模拟仿真技术变得日益重要。目前,以太网网络性能分析的仿真中所使用的业务流量往往是非常简单的恒定速率流,与以太网网络中传输业务的多样性并不相符。为了增加以太网网络性能仿真的可靠性和可信性,用于仿真的业务应该具备多样性并且尽量接近或符合真实以太网网络流量特性。一种生成网络业务流量的方法。通过建立基于Pareto分布的ON/OFF流量模型,使用具有均匀概率的Pareto分布的离散值计算OFF阶段时间序列的最大值和最小值,使用在最小值和最大值之间积分的方式计算模型中OFF阶段的时间均值,最后使用了校正系数校正计算偏差,生成网络流量。该方法存在的不足之处是,在使用校正系数校正计算偏差时没有校正系数的理论分析过程,导致输出流量速率低,相同条件下产生的网络流量少。一种自相似网络业务的生成方法。该方法通过接收配置参数,根据配置参数确定所需的业务的种类并建立其模板,将配置参数步骤确定的每种业务种类对应的子信源数量和建立的业务模板、执行模块一起作为业务发生模块的输入,将业务发生模块中所有子信源的输出业务流相加,作为最后的输出流量。该方法存在的不足之处是,只能生成自相似网络业务流量,不符合网络测试流量的多样性。
综上所述,现有技术存在的问题是:
(1)生成网络业务流量的方法在使用校正系数校正计算偏差时没有校正系数的理论分析过程,导致输出流量速率低,相同条件下产生的网络流量少。
(2)自相似网络业务的生成方法只能生成自相似网络业务流量,不符合网络测试流量的多样性。
解决上述技术问题的难度和意义:
通过建立基于Pareto分布的ON/OFF模型来产生自相似网络流量,但是Pareto分布通常以很慢的速度收敛到稳态,且在稳态处也表现出高可变性,因此,在校正系数的计算过程需要大量的统计实验,通过统计得出较好的校正效果,过程复杂。本发明通过解决网络业务流量多样性的问题,使其在作用于网络设备或者协议时能从不同的角度对设备的性能进行测试,提早发现设备存在的问题,同时,通过优化模型参数,使产生的网络业务流量更加接近真实网络特性,也易于提早发现设备存在的问题便于及时修正。
发明内容
针对现有技术存在的问题,本发明提供了一种基于统计优化的网络业务流量生成方法。
本发明是这样实现的,一种基于统计优化的网络业务流量生成方法,所述基于统计优化的网络业务流量生成方法通过建立能描述非相似特性的泊松模型和描述自相似特性的ON/OFF模型分别生成非自相似的网络业务流量和自相似的网络业务流量为网络节点、协议提供多样性的测试流量,同时通过统计的方式优化ON/OFF模型在ON周期和OFF周期的均值来缩短帧间隔。
进一步,所述基于统计优化的网络业务流量生成方法包括以下步骤:
(1)输入确定业务种类的参数以及与该业务相关的参数,以及通用参数:使用的协议和协议首部数据、分组长度、分组填充方式、分组发送速率,发送时间;
(2)建立模型:
(2a)根据业务种类参数判断是否为非自相似业务,是,则执行步骤(2b),否则执行步骤(2c);
(2b)泊松模型的分布函数:X(t)表示网络到t时刻产生的分组数,X(t+Δt)表示网络到t+Δt时刻产生的分组数,k表示网络在Δt时间内产生的分组数,P(X(t+Δt)-X(t)=k)表示网络在Δt时间内产生的分组数为k的概率,λ表示分组的产生强度,e表示自然常数;根据输入确定业务相关参数:分组产生强度,结合输入通用参数建立泊松模型;
(2c)Pareto分布的分布函数:α表示Pareto分布的参数,k表示随机变量能取到的最小值;ON/OFF模型分为ON阶段和OFF阶段,ON阶段和OFF阶段在时间轴上交替进行,ON和OFF阶段的时间序列服从Pareto分布;根据输入参数确定:发送速率,ON阶段的参数,ON阶段随机变量的最小值,OFF阶段的参数,OFF阶段随机变量的最小值,依据Pareto分布的分布函数分别产生时间序列,作为ON周期和OFF周期的时间,在ON周期以输入速率产生数据,在OFF周期不产生数据,建立ON/OFF模型;
(3)ON/OFF模型中参数的优化:
在ON/OFF模型的建立中,ON阶段的Pareto分布的参数α和k根据输入可获取,OFF阶段的Pareto分布的参数α根据输入获取,OFF阶段的k经下式计算:
E(x)on表示ON周期的均值,kon表示ON周期的参数k,α表示ON周期的参数α,S表示[0,1]之间均匀分布的最小值。α表示OFF周期的参数α,S意义同ON周期的S,通过统计优化的方式对ON周期和OFF周期的均值进行优化;
(4)生成分组间隔:
(4a)根据步骤(2)判断是否为泊松模型,若是,则执行步骤(4b),否则执行步骤(4c);
(4b)泊松模型基于泊松过程产生分组,结合输入参数中的发送时间、分组长度、发送速率生成非自相似业务流量的分组间隔;
(4c)ON/OFF模型在ON阶段和OFF阶段的持续时间服从Pareto分布,结合输入参数中的发送时间、分组长度、发送速率生成自相似业务流量的分组间隔;
(5)生成分组:
结合输入参数中的协议和协议首部数据、分组长度、分组填充方式以及步骤(3)中生成的分组间隔生成分组数据;
(6)生成网络流量:
分别将步骤(4)生成的分组间隔和步骤(5)生成的分组数据写入文件,作为最终的业务生成流量。
进一步,所述通过统计优化的方式对ON周期和OFF周期的均值进行优化具体包括:
第一步,对ON/OFF模型中的Pareto分布进行k次均匀采样;
第二步,进行m(m>10)次上述采样,计算k次采样均值,根据式计算当前条件下的连续均值,将连续均扩大a倍作为门限,去除采样均值中超过门限的值;
第三步,计算第二步中m次采样中剩余的采样均值的均值;
第四步,对ON/OFF模型中Pareto分布的参数α,1<α<2;以步长s进行取值,并在每个取值下执行上述第一、二、三步;
第五步,根据第四步获取均值随α的变化情况,运用曲线拟合的方法得到均值随α变化的关系式;
第六步,获取ON/OFF模型中Pareto分布的最小值,并计算出最大值,使用积分的方法在最小值和最大值之间计算随机分布的连续均值;
第七步,对ON/OFF模型中Pareto分布的参数α以步长s进行取值,并在每个取值下执行上述第六步,运用曲线拟合的方法获取随机分布连续均值随α变化的关系式;
第八步,结合第五步得到的离散均值随α变化的关系式除以第七步得到的连续均值随α变化的关系式,得到校正系数;
第九步,使用第八步获取的校正系数对ON周期和OFF周期的连续均值进行校正。
进一步,所述步骤(4b)中的泊松模型结合输入参数中的发送时间、分组长度、发送速率生成非自相似业务流量的分组间隔步骤如下:
第一步,根据输入参数中的发送速率,计算发送一个分组的时间,按照以太网分组间隔96比特时计算最小分组间隔的时间,发送一个分组的时间与最小分组间隔的时间的和即为发送一个分组所需的最小时间;
第二步,泊松过程的分组到达间隔服从指数分布,按照指数分布的分布函数产生一个分组的到达间隔,指数分布的分布函数如下:
F(x)=1-e-λx
其中,λ为指数分布的参数,是泊松过程到达强度的倒数;
第三步,累计已用时间与第二步产生的到达间隔之和小于输入参数中的发送时间,则将到达间隔减去发送一个分组所需的最小时间作为当前分组与下一个分组的分组间隔,记录此分组间隔,用累积已用时间和到达间隔之和更新累积已用时间的值,继续执行第二步,否则执行第四步;
第四步,计算结束,将记录得到的帧间隔作为非自相似网络业务流量的帧间隔。
进一步,所述步骤(4c)中的ON/OFF模型结合输入参数中的发送时间、分组长度、发送速率生成非自相似业务流量的分组间隔步骤具体包括:
第一步,根据输入参数中的发送速率,计算发送一个分组的时间,按照以太网分组间隔96比特时计算最小分组间隔的时间,发送一个分组的时间与最小分组间隔的时间的和即为发送一个分组所需的最小时间;
第二步,ON/OFF模型的ON周期和OFF周期时间服从Pareto分布,使用ON周期参数,按照Pareto分布的分布函数产生一个突发长度;
第三步,累计已用时间与第二步产生的突发长度之和小于输入参数中的发送时间,则计算此突发长度内可以发送多少个分组,记录此分组间隔,用累积已用时间和突发长度之和更新累积已用时间的值,继续执行第五步,否则执行第四步;
第四步,计算结束,将记录得到的帧间隔作为非自相似网络业务流量的帧间隔;
第五步,ON/OFF模型的ON周期和OFF周期时间服从Pareto分布,使用OFF周期参数,按照Pareto分布的分布函数产生一个空闲长度;
第六步,若累计已用时间与第五步产生的空闲长度长度之和小于输入参数中的发送时间,则更新最后一个分组间隔,用累积已用时间和空闲长度之和更新累积已用时间的值,执行第二步,则否执行第四步。
进一步,所述步骤(5)中的生成分组的具体包括:
第一步:将协议的首部数据顺序放在一起,作为以太网帧的首部,根据输入的数据填充方式生成指定数据放在以太网帧的数据域部分,成为生成的帧数据;
第二步:根据分组间隔的数目,分组数等于分组间隔数加一,生成分组间隔数加一个第一步中的分组,得到网络流量的分组数据。
本发明的另一目的在于提供一种应用所述基于统计优化的网络业务流量生成方法的有线网络通信系统。
综上所述,本发明的优点及积极效果为:通过建立能描述非相似特性的泊松模型和描述自相似特性的ON/OFF模型分别生成非自相似的网络业务流量和自相似的网络业务流量为网络节点、协议提供多样性的测试流量,同时通过统计的方式优化ON/OFF模型在ON周期和OFF周期的均值来缩短帧间隔,提高数据的发送速率。通过统计的方式优化ON/OFF模型在ON周期和OFF周期的均值来缩短帧间隔,通过统计,数据速率平均提高4%。
附图说明
图1是本发明实施例提供的基于统计优化的网络业务流量生成方法流程图。
图2是本发明实施例提供的模型优化校正效果图。
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仅用以解释本发明,并不用于限定本发明。
本发明涉及有线网络通信技术领域中的一种基于统计优化的网络业务流量生成方法。本发明可通过优化流量模型参数的方法,得到同等条件下更高速率的输出流量,输入到以太网网络节点、协议的中进行性能测试。
如图1所示,本发明实施例提供的基于统计优化的网络业务流量生成方法包括以下步骤:
(1)输入配置参数:
输入确定业务种类的参数以及与该业务相关的参数,以及通用参数:使用的协议和协议首部数据、分组长度、分组填充方式、分组发送速率,发送时间;
(2)建立模型:
(2a)根据业务种类参数判断是否为非自相似业务,若是,则执行步骤(2b),否则执行步骤(2c);
(2b)泊松模型的分布函数:X(t)表示网络到t时刻产生的分组数,X(t+Δt)表示网络到t+Δt时刻产生的分组数,k表示网络在Δt时间内产生的分组数,P(X(t+Δt)-X(t)=k)表示网络在Δt时间内产生的分组数为k的概率,λ表示分组的产生强度,e表示自然常数;根据输入确定业务相关参数:分组产生强度,结合输入通用参数建立泊松模型;
(2c)Pareto分布的分布函数:α表示Pareto分布的参数,k表示随机变量能取到的最小值。ON/OFF模型分为ON阶段和OFF阶段,ON阶段和OFF阶段在时间轴上交替进行,ON和OFF阶段的时间序列服从Pareto分布。根据输入参数确定:发送速率,ON阶段的参数,ON阶段随机变量的最小值,OFF阶段的参数,OFF阶段随机变量的最小值,依据Pareto分布的分布函数分别产生时间序列,作为ON周期和OFF周期的时间,在ON周期以输入速率产生数据,在OFF周期不产生数据,依照此方法建立ON/OFF模型;
(3)ON/OFF模型中参数的优化:
在ON/OFF模型的建立中,ON阶段的Pareto分布的参数α和k根据输入可获取,OFF阶段的Pareto分布的参数α可根据输入获取,OFF阶段的k需要经下式计算:
E(x)on表示ON周期的均值,kon表示ON周期的参数k,α表示ON周期的参数α,S表示[0,1]之间均匀分布的最小值。α表示OFF周期的参数α,S意义同ON周期的S。现有普遍文献中对ON周期均值的计算采用在最小值和最大值之间积分的方式,这是计算连续分布函数均值的方法,但是在ON周期我们将产生离散的Pareto分布序列,因此均值计算存在误差,以下通过统计优化的方式对ON周期和OFF周期的均值进行优化:
第一步:对ON/OFF模型中的Pareto分布进行k(k>10000)次均匀采样;
第二步:进行m(m>10)次上述采样,计算k次采样均值,根据式计算当前条件下的连续均值,将连续均扩大a倍作为门限,去除采样均值中超过门限的值;
第三步:计算第二步中m次采样中剩余的采样均值的均值;
第四步:对ON/OFF模型中Pareto分布的参数α(1<α<2)以步长s进行取值,并在每个取值下执行上述第一、二、三步;
第五步:根据第四步获取均值随α的变化情况,运用曲线拟合的方法得到均值随α变化的关系式;
第六步:获取ON/OFF模型中Pareto分布的最小值,并计算出最大值,使用积分的方法在最小值和最大值之间计算随机分布的连续均值;
第七步:对ON/OFF模型中Pareto分布的参数α(1<α<2)以步长s(s同上)进行取值,并在每个取值下执行上述第六步,运用曲线拟合的方法获取随机分布连续均值随α变化的关系式;
第八步:结合第五步得到的离散均值随α变化的关系式除以第七步得到的连续均值随α变化的关系式,得到校正系数;
第九步:使用第八步获取的校正系数对ON周期和OFF周期的连续均值进行校正;
(4)生成分组间隔:
(4a)根据步骤(2)判断是否为泊松模型,若是,则执行步骤(4b),否则执行步骤(4c);
(4b)泊松模型基于泊松过程产生分组,结合输入参数中的发送时间、分组长度、发送速率生成非自相似业务流量的分组间隔;
(4c)ON/OFF模型在ON阶段和OFF阶段的持续时间服从Pareto分布,结合输入参数中的发送时间、分组长度、发送速率生成自相似业务流量的分组间隔;
(5)生成分组:
结合输入参数中的协议和协议首部数据、分组长度、分组填充方式以及步骤(3)中生成的分组间隔生成分组数据;
(6)生成网络流量:
分别将步骤(4)生成的分组间隔和步骤(5)生成的分组数据写入文件,作为最终的业务生成流量;
步骤(4b)中所述的泊松模型结合输入参数中的发送时间、分组长度、发送速率生成非自相似业务流量的分组间隔步骤如下:
第一步,根据输入参数中的发送速率,计算发送一个分组的时间,按照以太网分组间隔96比特时计算最小分组间隔的时间,发送一个分组的时间与最小分组间隔的时间的和即为发送一个分组所需的最小时间。
第二步,泊松过程的分组到达间隔服从指数分布,按照指数分布的分布函数产生一个分组的到达间隔,指数分布的分布函数如下:
F(x)=1-e-λx
其中,λ为指数分布的参数,是泊松过程到达强度的倒数。
第三步,若累计已用时间与第二步产生的到达间隔之和小于输入参数中的发送时间,则将到达间隔减去发送一个分组所需的最小时间作为当前分组与下一个分组的分组间隔,记录此分组间隔,用累积已用时间和到达间隔之和更新累积已用时间的值,继续执行第二步,否则执行第四步。
第四步,计算结束,将记录得到的帧间隔作为非自相似网络业务流量的帧间隔。
步骤(4c)中所述的ON/OFF模型结合输入参数中的发送时间、分组长度、发送速率生成非自相似业务流量的分组间隔步骤如下:
第一步,根据输入参数中的发送速率,计算发送一个分组的时间,按照以太网分组间隔96比特时计算最小分组间隔的时间,发送一个分组的时间与最小分组间隔的时间的和即为发送一个分组所需的最小时间。
第二步,ON/OFF模型的ON周期和OFF周期时间服从Pareto分布,使用ON周期参数,按照Pareto分布的分布函数产生一个突发长度。
第三步,若累计已用时间与第二步产生的突发长度之和小于输入参数中的发送时间,则计算此突发长度内可以发送多少个分组,记录此分组间隔,用累积已用时间和突发长度之和更新累积已用时间的值,继续执行第五步,否则执行第四步。
第四步,计算结束,将记录得到的帧间隔作为非自相似网络业务流量的帧间隔。
第五步,ON/OFF模型的ON周期和OFF周期时间服从Pareto分布,使用OFF周期参数,按照Pareto分布的分布函数产生一个空闲长度。
第六步,若累计已用时间与第五步产生的空闲长度长度之和小于输入参数中的发送时间,则更新最后一个分组间隔,用累积已用时间和空闲长度之和更新累积已用时间的值,执行第二步,则否执行第四步。
步骤(5)中所述的生成分组的步骤如下:
第一步:将协议的首部数据顺序放在一起,作为以太网帧的首部,根据输入的数据填充方式生成指定数据放在以太网帧的数据域部分,成为生成的帧数据。
第二步:根据分组间隔的数目,分组数等于分组间隔数加一,生成分组间隔数加一个第一步中的分组,得到网络流量的分组数据。
下面结合具体实施例对本发明的应用原理作进一步的描述。
实施例1:
(1)输入非自相似业务以及业务到达强度0.4,协议为二层IP协议、三层TCP协议、分组长度1000字节、分组填充方式为随机填充、分组发送速率1000Kb/s,发送时间20s;
(2)建立到达强度为0.4的泊松模型,按照权利要求2的流程计算非自相似业务的到达间隔为为1905个;
(3)分组间隔为1905个,分组数就是1906个,分组长度为1000个字节,以太网帧的数据域为IP数据包,IP数据包的数据域为TCP数据包,TCP数据包的数据域为随机填充的十六进制字符。生成1906个总长度为1000字节的以太网帧;
(4)将1905个数据帧间隔和1906个数据帧写入文件,成为生成的非自相似网络流量。
实施例2:
(1)输入自相似业务以及ON周期参数1.15,OFF周期参数1.05,链路负载0.4,协议为二层IP协议、三层TCP协议、分组长度1000字节、分组填充方式为随机填充、分组发送速率1000Kb/s,发送时间20s;
(2)计算ON周期的参数k=7.875,表示在当前速率下发送一个分组的时间。对ON周期的Pareto分布进行10000次均匀采样;
(3)进行10次上述采样,计算10000次采样均值,根据式计算当前条件下的连续均值,将连续均值扩大1.3倍作为门限,去除采样均值中超过门限的值;
(4)计算10次采样中剩余的采样均值的均值;
(5)对ON周期中Pareto分布的参数α(1<α<2)以步长0.2进行取值,并在每个取值下执行上述第(2)、(3)、(4)步;
(6)根据第(5)步获取均值随α的变化情况,运用曲线拟合的方法得到均值随α变化的关系式4.814×104×e-8.538α+9.942×e-0.8254α;
(7)获取ON/OFF模型中ON周期Pareto分布的最小值k=7.875,并计算出最大值S为取到[0,1]之间随机变量的最小值,使用积分的方法在最小值和最大值之间计算随机分布的连续均值;
(8)对ON/OFF模型中ON周期Pareto分布的参数α(1<α<2)以步长0.2进行取值,并在每个取值下执行上述第(7)步,运用曲线拟合的方法获取随机分布连续均值随α变化的关系式;
(9)结合第(6)步得到的离散均值随α变化的关系式除以第(8)步得到的连续均值随α变化的关系式,得到校正系数如下;
(10)使用校正系数对ON周期和OFF周期的均值进行校正,获取OFF周期的最小值k。建立ON/OFF模型;
(11)按照流程计算自相似业务的到达间隔为为2225个;
(12)分组间隔为2225个,分组数就是2226个,分组长度为1000个字节,以太网帧的数据域为IP数据包,IP数据包的数据域为TCP数据包,TCP数据包的数据域为随机填充的十六进制字符。生成2226个总长度为1000字节的以太网帧;
(13)将2225个数据帧间隔和2226个数据帧写入文件,成为生成的自相似网络流量;
(14)已有文献中的校正系数为C=(1.19α-1.166)-0.027,将2个校正系数分别代入带ON/OFF模型中,在实施例2中(1)步骤的输入条件下,统计10次分别产生的分组数为:
1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 | 10 | 均值 | |
C1校正 | 2225 | 2345 | 2207 | 2251 | 2261 | 2302 | 2301 | 2367 | 2322 | 2350 | 2293 |
C校正 | 2305 | 2058 | 2331 | 2301 | 2268 | 2290 | 2266 | 1462 | 2280 | 2387 | 2194 |
经C1校正后,同等条件下产生的分组数平均值多于经C校正后产生的分组数平均值。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.一种基于统计优化的网络业务流量生成方法,其特征在于,所述基于统计优化的网络业务流量生成方法通过建立能描述非相似特性的泊松模型和描述自相似特性的ON/OFF模型分别生成非自相似的网络业务流量和自相似的网络业务流量为网络节点、协议提供多样性的测试流量,同时通过统计的方式优化ON/OFF模型在ON周期和OFF周期的均值来缩短帧间隔。
2.如权利要求1所述的基于统计优化的网络业务流量生成方法,其特征在于,所述基于统计优化的网络业务流量生成方法包括以下步骤:
(1)输入确定业务种类的参数以及与该业务相关的参数,以及通用参数:使用的协议和协议首部数据、分组长度、分组填充方式、分组发送速率,发送时间;
(2)建立模型:
(2a)根据业务种类参数判断是否为非自相似业务,是,则执行步骤(2b),否则执行步骤(2c);
(2b)泊松模型的分布函数:X(t)表示网络到t时刻产生的分组数,X(t+Δt)表示网络到t+Δt时刻产生的分组数,k表示网络在Δt时间内产生的分组数,P(X(t+Δt)-X(t)=k)表示网络在Δt时间内产生的分组数为k的概率,λ表示分组的产生强度,e表示自然常数;根据输入确定业务相关参数:分组产生强度,结合输入通用参数建立泊松模型;
(2c)Pareto分布的分布函数:α表示Pareto分布的参数,k表示随机变量能取到的最小值;ON/OFF模型分为ON阶段和OFF阶段,ON阶段和OFF阶段在时间轴上交替进行,ON和OFF阶段的时间序列服从Pareto分布;根据输入参数确定:发送速率,ON阶段的参数,ON阶段随机变量的最小值,OFF阶段的参数,OFF阶段随机变量的最小值,依据Pareto分布的分布函数分别产生时间序列,作为ON周期和OFF周期的时间,在ON周期以输入速率产生数据,在OFF周期不产生数据,建立ON/OFF模型;
(3)ON/OFF模型中参数的优化:
在ON/OFF模型的建立中,ON阶段的Pareto分布的参数α和k根据输入可获取,OFF阶段的Pareto分布的参数α根据输入获取,OFF阶段的k经下式计算:
E(x)on表示ON周期的均值,kon表示ON周期的参数k,α表示ON周期的参数α,S表示[0,1]之间均匀分布的最小值。α表示OFF周期的参数α,S意义同ON周期的S,通过统计优化的方式对ON周期和OFF周期的均值进行优化;
(4)生成分组间隔:
(4a)根据步骤(2)判断是否为泊松模型,若是,则执行步骤(4b),否则执行步骤(4c);
(4b)泊松模型基于泊松过程产生分组,结合输入参数中的发送时间、分组长度、发送速率生成非自相似业务流量的分组间隔;
(4c)ON/OFF模型在ON阶段和OFF阶段的持续时间服从Pareto分布,结合输入参数中的发送时间、分组长度、发送速率生成自相似业务流量的分组间隔;
(5)生成分组:
结合输入参数中的协议和协议首部数据、分组长度、分组填充方式以及步骤(3)中生成的分组间隔生成分组数据;
(6)生成网络流量:
分别将步骤(4)生成的分组间隔和步骤(5)生成的分组数据写入文件,作为最终的业务生成流量。
3.如权利要求2所述的基于统计优化的网络业务流量生成方法,其特征在于,所述通过统计优化的方式对ON周期和OFF周期的均值进行优化具体包括:
第一步,对ON/OFF模型中的Pareto分布进行k次均匀采样;
第二步,进行m(m>10)次上述采样,计算k次采样均值,根据式计算当前条件下的连续均值,将连续均扩大a倍作为门限,去除采样均值中超过门限的值;
第三步,计算第二步中m次采样中剩余的采样均值的均值;
第四步,对ON/OFF模型中Pareto分布的参数α,1<α<2;以步长s进行取值,并在每个取值下执行上述第一、二、三步;
第五步,根据第四步获取均值随α的变化情况,运用曲线拟合的方法得到均值随α变化的关系式;
第六步,获取ON/OFF模型中Pareto分布的最小值,并计算出最大值,使用积分的方法在最小值和最大值之间计算随机分布的连续均值;
第七步,对ON/OFF模型中Pareto分布的参数α以步长s进行取值,并在每个取值下执行上述第六步,运用曲线拟合的方法获取随机分布连续均值随α变化的关系式;
第八步,结合第五步得到的离散均值随α变化的关系式除以第七步得到的连续均值随α变化的关系式,得到校正系数;
第九步,使用第八步获取的校正系数对ON周期和OFF周期的连续均值进行校正。
4.如权利要求2所述的基于统计优化的网络业务流量生成方法,其特征在于,所述步骤(4b)中的泊松模型结合输入参数中的发送时间、分组长度、发送速率生成非自相似业务流量的分组间隔步骤如下:
第一步,根据输入参数中的发送速率,计算发送一个分组的时间,按照以太网分组间隔96比特时计算最小分组间隔的时间,发送一个分组的时间与最小分组间隔的时间的和即为发送一个分组所需的最小时间;
第二步,泊松过程的分组到达间隔服从指数分布,按照指数分布的分布函数产生一个分组的到达间隔,指数分布的分布函数如下:
F(x)=1-e-λx
其中,λ为指数分布的参数,是泊松过程到达强度的倒数;
第三步,累计已用时间与第二步产生的到达间隔之和小于输入参数中的发送时间,则将到达间隔减去发送一个分组所需的最小时间作为当前分组与下一个分组的分组间隔,记录此分组间隔,用累积已用时间和到达间隔之和更新累积已用时间的值,继续执行第二步,否则执行第四步;
第四步,计算结束,将记录得到的帧间隔作为非自相似网络业务流量的帧间隔。
5.如权利要求2所述的基于统计优化的网络业务流量生成方法,其特征在于,所述步骤(4c)中的ON/OFF模型结合输入参数中的发送时间、分组长度、发送速率生成非自相似业务流量的分组间隔步骤具体包括:
第一步,根据输入参数中的发送速率,计算发送一个分组的时间,按照以太网分组间隔96比特时计算最小分组间隔的时间,发送一个分组的时间与最小分组间隔的时间的和即为发送一个分组所需的最小时间;
第二步,ON/OFF模型的ON周期和OFF周期时间服从Pareto分布,使用ON周期参数,按照Pareto分布的分布函数产生一个突发长度;
第三步,累计已用时间与第二步产生的突发长度之和小于输入参数中的发送时间,则计算此突发长度内可以发送多少个分组,记录此分组间隔,用累积已用时间和突发长度之和更新累积已用时间的值,继续执行第五步,否则执行第四步;
第四步,计算结束,将记录得到的帧间隔作为非自相似网络业务流量的帧间隔;
第五步,ON/OFF模型的ON周期和OFF周期时间服从Pareto分布,使用OFF周期参数,按照Pareto分布的分布函数产生一个空闲长度;
第六步,若累计已用时间与第五步产生的空闲长度长度之和小于输入参数中的发送时间,则更新最后一个分组间隔,用累积已用时间和空闲长度之和更新累积已用时间的值,执行第二步,则否执行第四步。
6.如权利要求2所述的基于统计优化的网络业务流量生成方法,其特征在于,所述步骤(5)中的生成分组的具体步骤包括:
第一步:将协议的首部数据顺序放在一起,作为以太网帧的首部,根据输入的数据填充方式生成指定数据放在以太网帧的数据域部分,成为生成的帧数据;
第二步:根据分组间隔的数目,分组数等于分组间隔数加一,生成分组间隔数加一个第一步中的分组,得到网络流量的分组数据。
7.一种应用权利要求1~6任意一项所述基于统计优化的网络业务流量生成方法的有线网络通信系统。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810246761.3A CN108632080B (zh) | 2018-03-23 | 2018-03-23 | 一种基于统计优化的网络业务流量生成方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810246761.3A CN108632080B (zh) | 2018-03-23 | 2018-03-23 | 一种基于统计优化的网络业务流量生成方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108632080A true CN108632080A (zh) | 2018-10-09 |
CN108632080B CN108632080B (zh) | 2021-03-02 |
Family
ID=63696260
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810246761.3A Active CN108632080B (zh) | 2018-03-23 | 2018-03-23 | 一种基于统计优化的网络业务流量生成方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108632080B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111050345A (zh) * | 2019-12-09 | 2020-04-21 | 东南大学 | 用于移动通信系统中业务流量的统计方法和装置 |
CN112311791A (zh) * | 2020-10-29 | 2021-02-02 | 贵州电网有限责任公司 | 一种适用于办公业务流量的统计方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080267065A1 (en) * | 2006-08-21 | 2008-10-30 | Ganesh Balakrishnan | Structure for a multi-scale network traffic generator |
CN101651568A (zh) * | 2009-07-01 | 2010-02-17 | 青岛农业大学 | 一种网络流量预测和异常检测方法 |
CN106227787A (zh) * | 2016-07-20 | 2016-12-14 | 北京星网锐捷网络技术有限公司 | 业务流量数据信息统计方法 |
CN107819539A (zh) * | 2017-11-17 | 2018-03-20 | 西安电子科技大学 | 一种实现时间触发以太网端系统的装置及方法 |
-
2018
- 2018-03-23 CN CN201810246761.3A patent/CN108632080B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080267065A1 (en) * | 2006-08-21 | 2008-10-30 | Ganesh Balakrishnan | Structure for a multi-scale network traffic generator |
CN101651568A (zh) * | 2009-07-01 | 2010-02-17 | 青岛农业大学 | 一种网络流量预测和异常检测方法 |
CN106227787A (zh) * | 2016-07-20 | 2016-12-14 | 北京星网锐捷网络技术有限公司 | 业务流量数据信息统计方法 |
CN107819539A (zh) * | 2017-11-17 | 2018-03-20 | 西安电子科技大学 | 一种实现时间触发以太网端系统的装置及方法 |
Non-Patent Citations (2)
Title |
---|
郑灵杰: "LTE系统中网络信令负载优化研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
陈楚等: "重尾分布对网络流量性质的影响", 《计算机应用》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111050345A (zh) * | 2019-12-09 | 2020-04-21 | 东南大学 | 用于移动通信系统中业务流量的统计方法和装置 |
CN111050345B (zh) * | 2019-12-09 | 2022-11-01 | 东南大学 | 用于移动通信系统中业务流量的统计方法和装置 |
CN112311791A (zh) * | 2020-10-29 | 2021-02-02 | 贵州电网有限责任公司 | 一种适用于办公业务流量的统计方法及系统 |
CN112311791B (zh) * | 2020-10-29 | 2023-04-14 | 贵州电网有限责任公司 | 一种适用于办公业务流量的统计方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN108632080B (zh) | 2021-03-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US6820042B1 (en) | Mixed mode network simulator | |
US5226041A (en) | Method for efficiently simulating the dynamic behavior of a data communications network | |
Shi et al. | Event-based state estimation of discrete-state hidden Markov models | |
Machado et al. | A new proposal to provide estimation of QoS and QoE over WiMAX networks: An approach based on computational intelligence and discrete-event simulation | |
CN108632080A (zh) | 一种基于统计优化的网络业务流量生成方法 | |
CN107733796B (zh) | 一种择优路径计算方法及系统 | |
CN101132362B (zh) | 网络业务量产生的方法及系统 | |
CN111835579B (zh) | 一种网络流量调度仿真有效性的测试方法及系统 | |
US20200021497A1 (en) | Traffic simulator for data transmission system | |
CN110098959A (zh) | 工控协议交互行为的建模方法、装置、系统及存储介质 | |
EP3025452B1 (en) | Monitoring network use of resources | |
CN115996403B (zh) | 5g工业时延敏感业务资源调度方法、装置、电子设备 | |
CN101369921B (zh) | 一种自相似网络业务的生成方法 | |
Ar-reyouchi et al. | The internet of things: network delay improvement using network coding | |
Hao et al. | Study of a traffic model based on adaptive chaotic mapping for mMTC services | |
Liu et al. | Simplified theoretical model based self-adaptive packet reception rate estimation in sensor networks | |
Kadota et al. | Kalman filtering: estimate of the numbers of active queues in an 802.11 e EDCA WLAN | |
Chaintreau et al. | Impact of network delay variations on multicast sessions with TCP-Like congestion control | |
Mena et al. | On the relation between peak age and stability in control loops over non-beacon enabled CSMA/CA | |
CN112702223A (zh) | 一种网络带宽利用率的测量方法及装置、系统 | |
CN113364511B (zh) | 基于ccsds分包遥测的均衡传递计算方法和系统 | |
Pesonen | Stochastic estimation and control over WirelessHART networks: Theory and implementation | |
CN103731867B (zh) | 实现测试网络与真实通信网络的负载对等的系统和方法 | |
CN110572324B (zh) | 一种基于流星余迹通信网络的链路推荐方法 | |
Gospodinov et al. | Research of the Influence of Self-Similar Processes over the Computer Networks Traffic |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |