CN110149277A - 基于链路拥塞强度分布的网络拥塞链路诊断方法及系统 - Google Patents

基于链路拥塞强度分布的网络拥塞链路诊断方法及系统 Download PDF

Info

Publication number
CN110149277A
CN110149277A CN201910362446.1A CN201910362446A CN110149277A CN 110149277 A CN110149277 A CN 110149277A CN 201910362446 A CN201910362446 A CN 201910362446A CN 110149277 A CN110149277 A CN 110149277A
Authority
CN
China
Prior art keywords
link
congestion
network
probability
path
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
Application number
CN201910362446.1A
Other languages
English (en)
Other versions
CN110149277B (zh
Inventor
潘胜利
曾德泽
李冲
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China University of Geosciences
Original Assignee
China University of Geosciences
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by China University of Geosciences filed Critical China University of Geosciences
Priority to CN201910362446.1A priority Critical patent/CN110149277B/zh
Publication of CN110149277A publication Critical patent/CN110149277A/zh
Application granted granted Critical
Publication of CN110149277B publication Critical patent/CN110149277B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L47/00—Traffic control in data switching networks
    • H04L47/10—Flow control; Congestion control
    • H04L47/11—Identifying congestion
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L47/00—Traffic control in data switching networks
    • H04L47/10—Flow control; Congestion control
    • H04L47/18—End to end

Abstract

本发明公开了基于链路拥塞强度分布的网络拥塞链路诊断方法及系统，针对IP网络路由的动态特性，根据多路端到端探测获取的路径性能及拓扑结构的探测结果，对IP网络拥塞链路进行推断，建立EM算法模型得到待测IP网络的各链路的拥塞强度概率分布，在此基础上基于该模型对IP网络拥塞链路进行推断，实现了动态路由下IP网络拥塞链路的推断。通过对不同类型及规模IP网络进行模拟实验和仿真实验，在相同场景下，分别利用传统CLINK和SCFS算法及本发明的方法进行拥塞链路推断，实验证明了本发明的方法较现有传统算法有更高的推断准确性。

Description

基于链路拥塞强度分布的网络拥塞链路诊断方法及系统
技术领域
本发明涉及网络拥塞控制领域，更具体地说，涉及基于链路拥塞强度分布的网络拥塞链路诊断方法及系统。
背景技术
IP网络链路性能推断技术对广大网络用户，特别是网络运营、管理商非常重要。随着IP网络规模的迅速扩大，网络结构日益多样，人工定期检查已不能适应大规模网络的需要。网络层析成像能够在网络内部节点不提供测量协作的情况下，根据端到端的测量结果，间接地估计网络内部链路性能参数，是一种重要的网络测量手段，能直接指导网络管理和网络优化。
在当前类traceroute工具所测数据包含有低转发优先级的ICMP报文测量部分以及Internet中大部分玩过不提供测量协助的背景下，基于端到端测量的网络层析成像技术被提出来了。网络层析成像将目标网络视为一个黑盒子。自从1996年Vardi首次提出在IP网络性能推断中使用类似医学层析扫描(tomograph)技术以来，借助网络tomography技术推断IP网络内部链路性能的方法主要包括两类：第一类方法使用多播方式或多簇单播模拟多播的方式，通过构建IP网络线性方程组求解各链路丢包率，并假设链路性能服从特定分布或具有时空独立性和平稳性等。出于安全等因素，当前IP网络中的大部分路由器对单播的支持度高于多播，时间相关性难以保证，且tomography技术以尽可能少的E2E路径探测推断网络内部链路性能，常导致构建的系统线性方程组因系数矩阵维度过大，求逆计算复杂，甚至导致算法失效。第二类方法将路径及链路性能借助布尔(Boolean)二进制代数值0、1进行表示。
H.X.Nguyen，V.N.Padmanabhan，N.G.Duffield等人提出借助不相关的E2E路径探测，推断IP网络最有可能发生拥塞的链路集合，简化了链路性能推断过程。其中，Huang X.等人提出测CLINK算法较不使用先验概率的MCMC(Monte Carlo Markov Chain)算法及使用一致先验概率的SCFS(Smallest Consistent Failure Set algorithm)算法在推断性能上有较大程度的提升。
发明内容
本发明要解决的技术问题在于，针对上述目前传统借助主动网络层析成像技术推断IP网络拥塞链路的方法均不能对动态路由IP网络进行准确建模，且忽略网络拥塞强度的客观存在，从而使得推断拥塞链路产生一定误差的技术问题，提出了基于链路拥塞强度分布的网络拥塞链路诊断方法及系统来解决上述问题。
基于链路拥塞强度分布的网络拥塞链路诊断方法，包括：
S1、对待测IP网络中端到端路径进行t时刻快照，获得t时刻待测IP网络中各端到端路径性能及拓扑结构的探测结果，使用快照获得待测IP网络链路的初始概率，初始概率包括链路的初始拥塞概率以及链路的初始拥塞强度概率；
S2、根据t时刻快照所得到的初始概率使用EM算法模型计算得到待测IP网络的先验概率，先验概率包括先验拥塞概率和链路的先验拥塞强度概率；
S3、建立待测IP网络中各链路的先验拥塞概率求解的线性方程组；
S4、根据步骤S2得到待测IP网络的先验概率，结合步骤S3得到的线性方程组，计算推断待测IP网络中最有可能发生拥塞的链路集合。
进一步的，所述步骤S2计算先验概率具体包括：
a、根据所述探测结果，获得某一时间片t对应的链路的拥塞概率向量p和链路的拥塞强度概率分布Dt；
b、根据t时刻得到的初始概率以及IP网络路径状态Z，计算对数似然LL(D|Z，X)关于X的期望，得到最可能发生的链路状态X；
c、根据链路状态X，重新计算每条链路的拥塞强度概率分布，得到新的Dt+1；
d、当迭代到一定次数，或者算法收敛到一定精度，结束算法，得到所述待测网络中的先验链路拥塞强度概率分布；否则，回到步骤b。
进一步的，建立所述线性方程组具体包括：
A、在所述待测IP网络中，将各端到端与其路径的各链路之间的关系使用布尔代数模型表示为：
nc为各端到端路径经过的链路总和，Zi为第i条路径的状态变量，xj为第j条链路的状态变量。当Zi≥1时，表示第i条路径为拥塞状态，当Zi＝0时，表示第i条路径为正常状态；当xj＝1时，表示第j条链路位拥塞状态，当xj＝0时，表示第j条链路为正常状态；Dij为路径和链路的关系变量，当Dij＝1时，表示第i条路径经过第j条链路，当Dij＝0时，表示第i条路径不经过第j条链路；
B、在所述待测IP网络中，将各端到端与其路径的各链路之间的拥塞强度的关系使用线性代数模型表示为：
nc为各端到端路径经过的链路总和，Mi为第i条路径的状态变量，yj为第j条链路的状态变量。当Mi≥1时，表示第i条路径为拥塞状态，当Mi＝0时，表示第i条路径为正常状态；当yj≥1时，表示第j条链路位拥塞状态，当yj＝0时，表示第j条链路为正常状态；Dij为路径和链路的关系变量，当Dij＝1时，表示第i条路径经过第j条链路，当Dij＝0时，表示第i条路径不经过第j条链路；
C、对所述A步骤中的布尔代数模型，找到向量x＝[x1x2…xn]，使得如下条件概率公式得到最大化：
其中z＝[z1z2…zm]表示快照得到的待测IP网络的状态，n表示待测IP网络中链路的个数，m表示待测IP网络中路径的个数，
PG为测量标记为正常链路的集合，Pc为测量标记为拥塞链路的集合，Pi表示路径i。
进一步的，所述步骤C中最大化概率公式可以化简为：
其中，εR表示去除所有经过正常路径的链路以及确定为正常链路之后所得到的路由矩阵，χ表示判断的拥塞链路集合，pk表示链路k的拥塞概率。
进一步的，在当前推断时刻拥塞路径链路集合中查找权值最高的链路的判断公式如下：
其中，Dk表示链路k经过的路径的集合，|Dk|即为链路k经过的路径的个数。
基于链路拥塞强度分布的网络拥塞链路诊断系统，包括：处理器及存储设备；所述处理器加载并执行所述存储设备中的指令及数据用于实现上述的任意基于链路拥塞强度分布的网络拥塞链路诊断方法。
与现有技术相比，本发明的优势在于：本发明针对IP网络路由的动态特性，根据多路端到端探测获取的路径性能及拓扑结构的探测结果，对IP网络拥塞链路进行推断，建立EM算法模型得到待测IP网络的各链路的拥塞强度概率分布，在此基础上基于该模型对IP网络拥塞链路进行推断，实现了动态路由下IP网络拥塞链路的推断。通过对不同类型及规模IP网络进行模拟实验和仿真实验，在相同场景下，分别利用传统CLINK和SCFS算法及本发明的方法进行拥塞链路推断，实验证明了本发明的方法较CLINK算法有更高的推断准确性。
附图说明
下面将结合附图及实施例对本发明作进一步说明，附图中：
图1为本发明基于链路拥塞强度分布的网络拥塞链路诊断方法的流程图；
图2为本发明中EM算法建模流程图；
图3是本发明中不同拥塞链路比例下CLINK、SCFS、DACLI-CLINK算法的DR对比图；
图4是本发明中不同拥塞链路比例下CLINK、SCFS、DACLI-CLINK算法的FPR对比图；
图5是本发明中不同拥塞链路数目下CLINK、SCFS、DACLI-CLINK算法的DR对比图；
图6是本发明中不同拥塞链路数目下CLINK、SCFS、DACLI-CLINK算法的FPR对比图；
图7是本发明中判断拥塞链路的伪代码示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地描述。
如图1所示，基于链路拥塞强度分布的网络拥塞链路诊断方法，包括：
S1、对待测IP网络中端到端路径进行t时刻快照，获得t时刻待测IP网络中各端到端路径性能及拓扑结构的探测结果，使用快照获得待测IP网络链路的初始概率，初始概率包括链路的初始拥塞概率以及链路的初始拥塞强度概率；
S2、根据t时刻快照所得到的初始概率使用EM算法模型计算得到待测IP网络的先验概率，先验概率包括先验拥塞概率和链路的先验拥塞强度概率，EM算法建模流程如图2所示；
S3、建立待测IP网络中各链路的先验拥塞概率求解的线性方程组；
S4、根据步骤S2得到待测IP网络的先验概率，结合步骤S3得到的线性方程组，计算推断待测IP网络中最有可能发生拥塞的链路集合。
步骤S2计算先验概率具体包括：
a、根据所述探测结果，获得某一时间片t对应的链路的拥塞概率向量p和链路的拥塞强度概率分布Dt；
b、根据t时刻得到的初始概率以及IP网络路径状态Z，计算对数似然LL(D|Z，X)关于X的期望，得到最可能发生的链路状态X；
c、根据链路状态X，重新计算每条链路的拥塞强度概率分布，得到新的Dt+1；
d、当迭代到一定次数，或者算法收敛到一定精度，结束算法，得+到所述待测网络中的先验链路拥塞强度概率分布；否则，回到步骤b。
步骤S3建立所述线性方程组具体包括：
A、在所述待测IP网络中，将各端到端与其路径的各链路之间的关系使用布尔代数模
型表示为：
nc为各端到端路径经过的链路总和，Zi为第i条路径的状态变量，xj为第j条链路的状态变量。当Zi≥1时，表示第i条路径为拥塞状态，当Zi＝0时，表示第i条路径为正常状态；当xj＝1时，表示第j条链路位拥塞状态，当xj＝0时，表示第j条链路为正常状态；Dij为路径和链路的关系变量，当Dij＝1时，表示第i条路径经过第j条链路，当Dij＝0时，表示第i条路径不经过第j条链路；
B、在所述待测IP网络中，将各端到端与其路径的各链路之间的拥塞强度的关系使用线性代数模型表示为：
nc为各端到端路径经过的链路总和，Mi为第i条路径的状态变量，yj为第j条链路的状态变量。当Mi≥1时，表示第i条路径为拥塞状态，当Mi＝0时，表示第i条路径为正常状态；当yj≥1时，表示第j条链路位拥塞状态，当yj＝0时，表示第j条链路为正常状态；Dij为路径和链路的关系变量，当Dij＝1时，表示第i条路径经过第j条链路，当Dij＝0时，表示第i条路径不经过第j条链路；
C、对所述A步骤中的布尔代数模型，找到向量x＝[x1x2…xn]，使得如下条件概率公式得到最大化：
其中z＝[z1z2…zm]表示快照得到的待测IP网络的状态，n表示待测IP网络中链路的个数，m表示待测IP网络中路径的个数；
根据步骤D-H得到P：
D、对所述C步骤中条件概率公式，根据贝叶斯方法，变换得到：
E、对所述D步骤中的条件概率公式，可以得到如下的等效最大化问题：
F、对所述E步骤中的等效最大化问题公式，因为链路状态xk是独立于随机变量，所以得到如下的公式：
G、根据所述A步骤中的布尔代数模型，得到如下的公式：
H、根据所述G步骤中的公式，得到如下的公式：
其中，PG为测量标记为正常链路的集合，Pc为测量标记为拥塞链路的集合，Pi表示路径i。
所述步骤C中最大化概率公式可以化简为：
其中，εR表示去除所有经过正常路径的链路以及确定为正常链路之后所得到的路由矩阵，χ表示判断的拥塞链路集合，pk表示链路k的拥塞概率。
在当前推断时刻拥塞路径链路集合中查找权值最高的链路的判断公式如下：
其中，Dk表示链路k经过的路径的集合，|Dk|即为链路k经过的路径的个数。
本实施例验证本发明的优越性的具体过程如下：
引入准确率DR、误诊率FPR，DR和FPR的表达式如下所示：
χ为算法推断出的拥塞链路集合，为推断时刻实际发生拥塞的链路。
(1)不同拥塞链路比例对算法的影响
为了验证IP网络在拥塞链路比例不同的情况下对算法性能带来的影响。我们引入拥塞链路比例参数，进行DACLI-CLINK、SCFS、CLINK算法之间性能的比较，模拟实验中设置的拥塞链路比例参数在10％到60％之间，得到DACLI-CLINK、SCFS、CLINK三种算法的DR和FPR，实验结果如图3、图4所示。
在相同的IP网路环境下，随着拥塞链路的比例的逐渐提高，DACLI-CLINK、SCFS、CLINK三种算法的DR均呈下降趋势，FPR均呈现上升趋势，DACLI-CLINK算法的DR和FPR明显高于SCFS和CLINK两种算法。当拥塞链路比例超过50％时，SCFS和CLINK算法的DR均低于0.1，DR随着拥塞链路比例大幅下降，DACLI-CLINK算法的DR在拥塞链路比例超过50％的时候，仍保持在0.7左右。
(2)不同拥塞链路数目对算法的影响
为了验证IP网络在拥塞链路数目不同的情况下对算法性能带来的影响，进行DACLI-CLINK、SCFS、CLINK算法之间性能的比较，模拟试验中设置拥塞链路数目在1到15条之间，得到DACLI-CLINK、SCFS、CLINK三种算法的DR和FPR，实验结果如图5、图6所示。
在相同的IP网络环境下，随着拥塞链路数目的逐渐增加，在三种算法的FPR并无较大差距的情况下，DACLI-CLINK算法的推断准确率均优于SCFS算法和CLINK算法。
通过对不同类型及规模IP网络进行模拟实验和仿真实验，在相同场景下，分别利用传统CLINK和SCFS算法及本发明的方法进行拥塞链路推断，实验证明了本发明的方法较CLINK算法和SCFS算法有更高的推断准确性。
该算法伪代码如图7所示，伪代码中各符号表示为：
Mk：端到端测量结果集合；
∈A：未判断的链路集合；
Domain(ek)：链路k经过的路径数；
ρC：拥塞路径集合；
Yk：链路的拥塞强度；
χ：算法推断出的拥塞链路集合。
上面结合附图对本发明的实施例进行了描述，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和权利要求所保护的范围情况下，还可做出很多形式，这些均属于本发明的保护之内。

Claims (6)

1.基于链路拥塞强度分布的网络拥塞链路诊断方法，其特征在于，包括：
S1、对待测IP网络中端到端路径进行t时刻快照，获得t时刻待测IP网络中各端到端路径性能及拓扑结构的探测结果，使用快照获得待测IP网络链路的初始概率，初始概率包括链路的初始拥塞概率以及链路的初始拥塞强度概率；
S2、根据t时刻快照所得到的初始概率使用EM算法模型计算得到待测IP网络的先验概率，先验概率包括先验拥塞概率和链路的先验拥塞强度概率；
S3、建立待测IP网络中各链路的先验拥塞概率求解的线性方程组；
S4、根据步骤S2得到待测IP网络的先验概率，结合步骤S3得到的线性方程组，计算推断待测IP网络中最有可能发生拥塞的链路集合。
2.根据权利要求1所述的基于链路拥塞强度分布的网络拥塞链路诊断方法，其特征在于，所述步骤S2计算先验概率具体包括：
a、根据所述探测结果，获得某一时间片t对应的链路的拥塞概率向量p和链路的拥塞强度概率分布Dt；
b、根据t时刻得到的初始概率以及IP网络路径状态Z，计算对数似然LL(D|Z，X)关于X的期望，得到最可能发生的链路状态X；
c、根据链路状态X，重新计算每条链路的拥塞强度概率分布，得到新的Dt+1；
d、当迭代到一定次数，或者算法收敛到一定精度，结束算法，得到所述待测网络中的先验链路拥塞强度概率分布；否则，回到步骤b。
3.根据权利要求1中所述的基于链路拥塞强度分布的网络拥塞链路诊断方法，其特征在于，建立所述线性方程组具体包括：
A、在所述待测IP网络中，将各端到端与其路径的各链路之间的关系使用布尔代数模型表示为：
nc为各端到端路径经过的链路总和，Zi为第i条路径的状态变量，xj为第j条链路的状态变量。当Zi≥1时，表示第i条路径为拥塞状态，当Zi＝0时，表示第i条路径为正常状态；当xj＝1时，表示第j条链路位拥塞状态，当xj＝0时，表示第j条链路为正常状态；Dij为路径和链路的关系变量，当Dij＝1时，表示第i条路径经过第j条链路，当Dij＝0时，表示第i条路径不经过第j条链路；
B、在所述待测IP网络中，将各端到端与其路径的各链路之间的拥塞强度的关系使用线性代数模型表示为：
nc为各端到端路径经过的链路总和，Mi为第i条路径的状态变量，yj为第j条链路的状态变量。当Mi≥1时，表示第i条路径为拥塞状态，当Mi＝0时，表示第i条路径为正常状态；当yj≥1时，表示第j条链路位拥塞状态，当yj＝0时，表示第j条链路为正常状态；Dij为路径和链路的关系变量，当Dij＝1时，表示第i条路径经过第j条链路，当Dij＝0时，表示第i条路径不经过第j条链路；
C、对所述A步骤中的布尔代数模型，找到向量x＝[x1x2…xn]，使得如下条件概率公式得到最大化：
其中z＝[z1 z2 … zm]表示快照得到的待测IP网络的状态，n表示待测IP网络中链路的个数，m表示待测IP网络中路径的个数，
PG为测量标记为正常链路的集合，Pc为测量标记为拥塞链路的集合，Pi表示路径i。
4.根据权利要求3中所述的基于链路拥塞强度分布的网络拥塞链路诊断方法，其特征在于，所述步骤C中最大化概率公式可以化简为：
其中，εR表示去除所有经过正常路径的链路以及确定为正常链路之后所得到的路由矩阵，χ表示判断的拥塞链路集合，pk表示链路k的拥塞概率。
5.根据权利要求1中所述的基于链路拥塞强度分布的网络拥塞链路诊断方法，其特征在于，在当前推断时刻拥塞路径链路集合中查找权值最高的链路的判断公式如下：
其中，Dk表示链路k经过的路径的集合，|Dk|即为链路k经过的路径的个数。
6.基于链路拥塞强度分布的网络拥塞链路诊断系统，其特征在于，包括：处理器及存储设备；所述处理器加载并执行所述存储设备中的指令及数据用于实现权利要求1～5所述的任意基于链路拥塞强度分布的网络拥塞链路诊断方法。
CN201910362446.1A 2019-04-30 2019-04-30 基于链路拥塞强度分布的网络拥塞链路诊断方法及系统 Expired - Fee Related CN110149277B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910362446.1A CN110149277B (zh) 2019-04-30 2019-04-30 基于链路拥塞强度分布的网络拥塞链路诊断方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910362446.1A CN110149277B (zh) 2019-04-30 2019-04-30 基于链路拥塞强度分布的网络拥塞链路诊断方法及系统

Publications (2)

Publication Number Publication Date
CN110149277A true CN110149277A (zh) 2019-08-20
CN110149277B CN110149277B (zh) 2020-11-27

Family

ID=67593868

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910362446.1A Expired - Fee Related CN110149277B (zh) 2019-04-30 2019-04-30 基于链路拥塞强度分布的网络拥塞链路诊断方法及系统

Country Status (1)

Country Link
CN (1) CN110149277B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117440427A (zh) * 2023-12-21 2024-01-23 中国电信股份有限公司深圳分公司 一种WiFi网络组网质量的诊断方法、装置及设备

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106230739A (zh) * 2016-10-15 2016-12-14 中国人民解放军防空兵学院 一种ip网络拥塞链路丢包率范围推断方法
CN106453113A (zh) * 2016-09-07 2017-02-22 中国人民解放军防空兵学院 一种ip网络拥塞链路定位方法
CN106713035A (zh) * 2016-12-23 2017-05-24 西安电子科技大学 一种基于分组测试的拥塞链路定位方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106453113A (zh) * 2016-09-07 2017-02-22 中国人民解放军防空兵学院 一种ip网络拥塞链路定位方法
CN106230739A (zh) * 2016-10-15 2016-12-14 中国人民解放军防空兵学院 一种ip网络拥塞链路丢包率范围推断方法
CN106713035A (zh) * 2016-12-23 2017-05-24 西安电子科技大学 一种基于分组测试的拥塞链路定位方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
HUNG X. NGUYEN ET AL.: ""The Boolean Solution to the Congested IP Link Location Problem:Theory and Practice"", 《IEEE INFOCOM 2007 - 26TH IEEE INTERNATIONAL CONFERENCE ON COMPUTER COMMUNICATIONS》 *
潘胜利 等: ""网络链路性能参数估计的层析成像方法综述"", 《软件学报》 *
陈宇: ""IP网络多链路拥塞故障诊断及性能推理算法研究"", 《中国博士学位论文全文数据库信息科技辑》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117440427A (zh) * 2023-12-21 2024-01-23 中国电信股份有限公司深圳分公司 一种WiFi网络组网质量的诊断方法、装置及设备
CN117440427B (zh) * 2023-12-21 2024-03-19 中国电信股份有限公司深圳分公司 一种WiFi网络组网质量的诊断方法、装置及设备

Also Published As

Publication number Publication date
CN110149277B (zh) 2020-11-27

Similar Documents

Publication Publication Date Title
CN107409064A (zh) 用于支持网络中不规则检测的方法和系统
CN106453113A (zh) 一种ip网络拥塞链路定位方法
CN106452877B (zh) 电力信息网故障定位方法
EP3134999A1 (en) Network tomography through selection of probing paths
CN103281256B (zh) 基于网络层析的端到端路径丢包率探测方法
CN103139804A (zh) 无线传感器网络的节能传播自适应rls分布式检测方法
CN102739527B (zh) 网络丢包率探测方法
CN108363876A (zh) 一种考虑关键故障的测试优化选择方法
CN110149277A (zh) 基于链路拥塞强度分布的网络拥塞链路诊断方法及系统
CN109547929A (zh) 基于共轭梯度法的分布式传感器节点定位方法
CN104486113A (zh) 传感器网络中基于主动和被动的贪婪故障链路定位方法
Natu et al. Probabilistic fault diagnosis using adaptive probing
CN111600805A (zh) 基于贝叶斯的电力数据网拥塞链路推断算法
CN108347694A (zh) 一种基于边界条件的节点定位方法及系统
CN102684825B (zh) 用于计算网络丢包率的探测方法
Chen et al. Phoenix: Towards an accurate, practical and decentralized network coordinate system
CN103152751A (zh) 无线传感器网络的节能传播自适应lms分布式检测方法
CN102868572A (zh) 一种基于端到端探测的路径延时的测量方法
US20040044765A1 (en) Method and system for identifying lossy links in a computer network
CN108400907B (zh) 一种不确定网络环境下的链路丢包率推理方法
Su et al. Inference of link loss rates by explicit estimation
CN107271840A (zh) 一种基于lfoa的配电网故障区段定位方法
Lehman et al. A decentralized network coordinate system for robust internet distance
Maulana et al. Analysis of VBF and DBR performance in environmental monitoring system using aquasim at NS-3
Khan et al. Network tomography application in mobile ad-hoc network using stitching algorithm

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
CF01 Termination of patent right due to non-payment of annual fee
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20201127