CN110677324A - 基于sFlow采样与控制器主动更新列表的大象流两级检测方法 - Google Patents
基于sFlow采样与控制器主动更新列表的大象流两级检测方法 Download PDFInfo
- Publication number
- CN110677324A CN110677324A CN201910944824.7A CN201910944824A CN110677324A CN 110677324 A CN110677324 A CN 110677324A CN 201910944824 A CN201910944824 A CN 201910944824A CN 110677324 A CN110677324 A CN 110677324A
- Authority
- CN
- China
- Prior art keywords
- flow
- sflow
- elephant
- suspected
- controller
- 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
Images
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
- H04L43/08—Monitoring or testing based on specific metrics, e.g. QoS, energy consumption or environmental parameters
- H04L43/0876—Network utilisation, e.g. volume of load or congestion level
-
- 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
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/50—Reducing energy consumption in communication networks in wire-line communication networks, e.g. low power modes or reduced link rate
Abstract
本发明公开基于sFlow采样与控制器主动更新列表的大象流两级检测方法,包括:由sFlow agent在边缘交换机随机采样数据包,将采样到的数据包信息分析并封装成一个sFlow报文,并发送到sFlow collector服务器上;由服务器计算出sFlow报文中各个流的已知字节数和数据包总数,将其中已知字节数或数据包总数超过阈值的流归为疑似大象流并将其添加到疑似大象流列表中,并发送到控制器;控制器根据服务器发送的疑似大象流列表,发送查询信息到相应的边缘交换机上,边缘交换机返回统计信息给控制器,进行权值计算,更新大象流列表。本发明解决现有检测技术中控制器与交换机通信量较大、交换机的资源消耗较大的问题。
Description
技术领域
本发明涉及到SDN数据中心网络中的流量工程技术,特别涉及一种基于sFlow采样与控制器主动更新列表的大象流两级检测方法。
背景技术
随着SDN技术与数据中心的发展,数据中心的网络规模不断扩大,运行于网络上的流量呈爆炸式增长,拥塞问题、延迟时间、低吞吐量等问题也变得更加凸显,通过流量工程技术来优化网络资源调配对于提高网络资源利用率、降低网络成本具有重要的意义,流量工程是SDN的一类典型应用,是网络的管理者优化网络的性能和流量传输的方法,利用集中的控制来实现管理网络的转发功能以及流量调控功能。数据中心网络中存在大象流和老鼠流,大象流字节数更大、持续时间更长、更容易导致网络的拥塞影响网络性能,检测流属于哪一类流并分配相应的路径能有效的解决网络的拥塞问题。
根据检测的位置,目前SDN中的大象流检测方法可以分为交换机检测和终端主机检测,对交换机检测可以分为两类:基于流统计的大象流检测和基于流特征的大象流检测。终端主机检测利用了主机灵活的编程性以及对流信息的早期感知,主要是基于流量统计的大象流检测。因此,现有的大象流检测技术主要包括:1、基于控制器轮询的大象流检测技术;2、基于终端标记的大象流检测技术;3、基于交换机主动检测的大象流检测技术;4、基于流采样的大象流检测技术。简单介绍如下:
现有技术一:基于控制器轮询的大象流检测技术。
原理:该技术通过控制器周期性的下发流统计请求到交换机上,然后交换机响应相应的流统计信息,控制器根据大象流的统计特征从所有流中筛选出大象流。
缺点:为了保证较高的准确度,就需要最大限度地捕获网络流量,需要保持较高的轮询频率,而这样就会造成较大的监控开销,以及控制器与交换机之间的通信也会大大增加,从而影响正常的流转发。
现有技术二:基于终端标记的大象流检测技术。
原理:通过在终端主机上的应用程序进行大象流的检测,其中一种方法是采用基于TCP发送队列的检测方法,该方法在TCP发送队列预先对流的大小进行判断,并对判断为大象流的流进行标记,控制器在发现该标记后即可知道该流属于大象流。
缺点:该方法虽然能较为有效的识别大象流,但是需要在所有的数据中心终端主机上部署相应的应用程序。
现有技术三:基于交换机主动检测的大象流检测技术。
原理:该方法是交换机在没有任何流统计请求的情况下主动向控制器发送流统计信息,与基于控制器轮询的大象流检测技术相比,可以大大的减少流量统计的监控开销。
缺点:这种检测方法通常需要交换机的支持,需要对交换进行相应的修改,可能涉及到交换机的硬件或者软件上的修改,所以通用性较差,部署方法较为复杂。
现有技术四:基于流采样的大象流检测技术。
原理:该方法通常通过对交换机的各个端口进行数据包的采样,然后对采样的数据包进行统计分析然后判断哪些流属于大象流,哪些属于老鼠流;该方法的监控开销相较于其他方法较低。
确定:该方法的检测准确度依赖于数据包的采样频率,相较于现有技术一的准确度较低。
综上所述,现有的象流检测方法要么监控开销大,要么需要在交换机或者终端主机上进行修改,要么检测的准确度不高。
发明内容
本发明提供的基于sFlow采样与控制器主动更新列表的大象流两级检测方法,用以解决现有大象流检测技术难以在监控开销小的情况下实现高检测准确度的问题。
本发明的目的至少通过如下技术方案之一实现。
一种基于sFlow采样与控制器主动更新列表的大象流两级检测方法,包括以下步骤:
S1、由sFlow agent在边缘交换机随机采样数据包,将若干个采样到的数据包信息分析并封装成一个sFlow报文,并将sFlow报文发送到sFlow collector服务器上;
S2、由sFlow collector服务器计算出sFlow报文中各个流的已知字节数和数据包总数,将其中已知字节数或数据包总数超过阈值的流归为疑似大象流并将其添加到疑似大象流列表中,将疑似大象流列表发送到控制器,完成第一级检测;
S3、由控制器根据sFlow collector服务器发送的疑似大象流列表,发送查询信息到相应的边缘交换机上,边缘交换机返回统计信息,控制器对返回的信息进行权值计算,更新大象流列表,完成第二级检测。
具体地,步骤S1包括:
在数据中心网络的边缘交换机安装sFlow agent对边缘交换机的各个端口采用sFlow采样方法进行随机采样,sFlow agent设置采样概率为1/N,即从接收的N个数据包中选随机择1个进行采样分析,sFlow agent在sFlow报文缓冲区满或者缓冲区未发送报文超过sec秒后时将sFlow报文发送到sFlow collector服务器上,sec可根据实际情况设定。
具体地,步骤S2包括:
S21、由sFlow collector服务器对接收到的sFlow报文进行分析,根据解析出来的数据信息得到源地址IP、目的地址IP、源端口、目的端口、传输层协议,将数据包进行分类,即把具有相同五元组的数据包归为同一个流;
S22、经过对采样的数据包统计得到对每个流所采样的数据包数量,再计算每个流的数据包数量与所有流的数据包总数之比,将每个流的这个比值与流占比阈值Qth比较,流占比阈值Qth可根据实际情况调整,若比值大于Qth,则将该流判定为疑似大象流,并且将其添加到疑似大象流列表T中,若比值小于Qth,则将该流进行再进行一次筛选;
S23、对于S22中得到非疑似大象流进行筛选,由sFlow collector服务器对接收到的sFlow报文进行解析,根据解析出来的数据包包头信息得到数据包的传输层协议即TCP协议,对TCP协议中TCP包的首部所包括的32位序号段进行统计并判断是否为疑似大象流,最后将疑似大象流列表发送到控制器。
进一步地,步骤S23中对数据包包头中TCP序号段进行统计并判断是否为疑似大象流的具体方法为:
(1)根据五元组将数据包归类到各个流,通过将同一个流的两个数据包中的序号段相减得到字节数L,则该流的大小必然大于L个字节;在查找流中最大序列号与最小序列号时,同时比较TCP首部中的时间戳;
(2)若最大序列号的时间戳晚于最小序列号的时间戳,则没有发生序列号回绕,因此通过计算每个流中数据包中最大序号与最小序号相减得到相应的字节数Len;当发生序列号的回绕情况时,根据时间戳找出最晚的序列号S1以及最早的序列号S2,则Len= 2^32 – S2+ S1;
(3)将每个流的字节数Len与设定的流字节数阈值Lcom比较,流字节数阈值Lcom可调整,若Len大于Lcom,则判定为疑似大象流并将其添加到疑似大象流列表中,否则判定为老鼠流,不做处理;此时第一级检测结束。
具体地,步骤S3包括:
控制器接收到sFlow collector服务器发送的疑似大象流列表,边缘交换机可以提供每个流统计信息,控制器向边缘交换机发送流统计请求,边缘交换机将返回所查询流的统计信息到控制器,可以得到流的数据包数、字节数、数据流持续时间;字节数对应的权重为Wc,80%的流大小小于10KB,Wc为1/10KB,数据流对应的权重为Wt,80%的流的持续时间小于11秒,Wt为1/11,则流的权重W=字节数*Wc+流持续时间*Wt,对疑似大象流列表按权值由大到小进行排序,排在前n位的判断为大象流,n为采样所有流总数的百分之十,大象流只占总流数的10%,也可根据网络实际情况调整,由此最终筛选出大象流,此时完成第二级检测。
与已有技术相比,本发明的有益效果体现在:
本发明在数据包采样准确度不高的基础上,对疑似大象流通过控制器查询流信息进行进一步的筛序,进而得到更高的大象流检测准确度。
附图说明
图1为本发明实施例提供的一种基于sFlow采样与控制器主动更新列表的大象流两级检测方法的示意图;
图2为本发明实施例一种基于sFlow采样与控制器主动更新列表的大象流两级检测方法流程图。
具体实施方式
针对现有大象流检测技术难以在监控开销小的情况下实现高检测准确度的问题。本发明实施例由sFlow agent在边缘交换机进行数据包随机采样,并将采样信息发送到sFlow collector服务器上;由sFlow collector服务器将计算出各个流的已知字节数或数据包总数超过阈值的流归为疑似大象流;由控制器根据sFlow collector服务器发送的疑似大象流列表,发送查询信息到相应的边缘交换机上,边缘交换机返回统计信息,控制器对返回的信息进行权值计算,更新大象流列表,从而在数据包采样准确度不高的基础上,对疑似大象流通过控制器查询流信息进行进一步的筛序,进而得到更高的大象流检测准确度,解决了上述问题。
实施例:
如图1所示,一种基于sFlow采样与控制器主动更新列表的大象流两级检测方法的示意图包括:
S1、sFlow agent103采集边缘交换机的流信息,并通过sFlow报文发送到sFlowcollector104,存储到数据包库105中;数据包分类器107读取到数据包库中的数据包信息,根据五元组进行流分类,并写入到流信息库106中;数据包序号提取器108提取数据包包头的序号字段,发送到流数据包序号统计器109,计算每个流的最少字节数Len,写入到流信息库106中;sFlow collector104从流信息库中读取各个流信息,筛选出疑似大象流列表102,将疑似大象流列表发送到控制器中,完成第一级检测;
S2、控制器根据疑似大象流列表查询边缘交换机的统计信息,通过流权重计算器110得到各个流的权重,根据权重进行排序,得到大象流列表101,完成第二级检测;
如图2所示,本实施例的基于sFlow采样与控制器主动更新列表的大象流两级检测方法包括如下步骤:
步骤201:对边缘交换机进行数据包采样,存入数据包库;
步骤202:对数据包库中的数据包按五元组进行分类,存入流信息库中;
步骤203:统计到的流的总数量M,变量i=1;
步骤204:如果i<=M,则执行步骤305,否则转到步骤314;
步骤205:如果流i数据包数量占采样总数的比例大于流占比阈值Qth,则转到步骤206,否则转到步骤207;
步骤206:将流i添加到疑似大象流列表;
步骤207:提取流i数据包包头信息的序号;
步骤208:判断是否发生序列号的回绕情况时,是的话进行步骤210,否则进行步骤209;
步骤209:将最大序号减去最小序号得到流i的最小下限Len;
步骤210: 根据时间戳找出最晚的序列号S1以及最早的序列号S2,则Len= 2^32 – S2+ S1;
步骤311:如果Len>Lcom(流字节数阈值),则转到步骤213;否则转到步骤212;
步骤212:i=i+1,转到步骤204;
步骤213:将流i添加到疑似大象流列表,转到步骤212;
步骤214:将疑似大象流列表发送到控制器;
步骤215:控制器根据接受的列表发送流统计请求到边缘交换机;
步骤216:控制器获取边缘交换机响应,得到各个流的持续时间T、字节数C;
步骤217:计算疑似大象流的权重W= Wt * T +Wc * C;
步骤218:如果疑似大象流列表未遍历完,则转到步骤219;否则转到步骤220;
步骤219:疑似大象流列表的下一个流,转到步骤217;
步骤220:疑似大象流列表遍按权值由大到小排列;
步骤221:取最大的n个流作为大象流列表,n为采样的所有流总数M的百分之十;
步骤222:结束。
通过以上的实施例的描述,本领域的技术人员可以清楚地了解到本发明可借助软件加必需的硬件平台的方式来实现。基于这样的理解,本发明的技术方案对背景技术做出贡献的全部或者部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备执行本发明各个实施例或者实施例的某些部分所述的方法,所述计算机设备可以是个人计算机,服务器,或者网络设备等。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (5)
1.基于sFlow采样与控制器主动更新列表的大象流两级检测方法,其特征在于,该方法包括以下步骤:
S1、由sFlow agent在边缘交换机随机采样数据包,将若干个采样到的数据包信息分析并封装成一个sFlow报文,并将sFlow报文发送到sFlow collector服务器上;
S2、由sFlow collector服务器计算出sFlow报文中各个流的已知字节数和数据包总数,将其中已知字节数或数据包总数超过阈值的流归为疑似大象流并将其添加到疑似大象流列表中,将疑似大象流列表发送到控制器,完成第一级检测;
S3、由控制器根据sFlow collector服务器发送的疑似大象流列表,发送查询信息到相应的边缘交换机上,边缘交换机返回统计信息,控制器对返回的信息进行权值计算,更新大象流列表,完成第二级检测。
2.根据权利要求1所述的基于sFlow采样与控制器主动更新列表的大象流两级检测方法,其特征在于,步骤S1具体包括:
在数据中心网络的边缘交换机安装sFlow agent对边缘交换机的各个端口采用sFlow采样方法进行随机采样,sFlow agent设置采样概率为1/N,即从接收的N个数据包中选随机择1个进行采样分析,sFlow agent在sFlow报文缓冲区满或者缓冲区未发送报文超过sec秒后时将sFlow报文发送到sFlow collector服务器上,sec可根据实际情况设定。
3.根据权利要求1所述的基于sFlow采样与控制器主动更新列表的大象流两级检测方法,其特征在于,步骤S2具体包括:
S21、由sFlow collector服务器对接收到的sFlow报文进行分析,根据解析出来的数据信息得到源地址IP、目的地址IP、源端口、目的端口、传输层协议,将数据包进行分类,即把具有相同五元组的数据包归为同一个流;
S22、经过对采样的数据包统计得到对每个流所采样的数据包数量,再计算每个流的数据包数量与所有流的数据包总数之比,将每个流的这个比值与流占比阈值Qth比较,流占比阈值Qth可根据实际情况调整,若比值大于Qth,则将该流判定为疑似大象流,并且将其添加到疑似大象流列表T中,若比值小于Qth,则将该流进行再进行一次筛选;
S23、对于S22中得到非疑似大象流进行筛选,由sFlow collector服务器对接收到的sFlow报文进行解析,根据解析出来的数据包包头信息得到数据包的传输层协议即TCP协议,对TCP协议中TCP包的首部所包括的32位序号段进行统计并判断是否为疑似大象流,最后将疑似大象流列表发送到控制器。
4.根据权利要求3所述的基于sFlow采样与控制器主动更新列表的大象流两级检测方法,其特征在于,步骤S23中对数据包中TCP序号段进行统计并判断是否为疑似大象流的具体方法为:
(1)根据五元组将数据包归类到各个流,通过将同一个流的两个数据包中的序号段相减得到字节数L,则该流的大小必然大于L个字节;在查找流中最大序列号与最小序列号时,同时比较TCP首部中的时间戳;
(2)若最大序列号的时间戳晚于最小序列号的时间戳,则没有发生序列号回绕,因此通过计算每个流中数据包中最大序号与最小序号相减得到相应的字节数Len;当发生序列号的回绕情况时,根据时间戳找出最晚的序列号S1以及最早的序列号S2,则Len= 2^32 – S2+ S1;
(3)将每个流的字节数Len与设定的流字节数阈值Lcom比较,流字节数阈值Lcom可调整,若Len大于Lcom,则判定为疑似大象流并将其添加到疑似大象流列表中,否则判定为老鼠流,不做处理;此时第一级检测结束。
5.根据权利要求1所述的基于sFlow采样与控制器主动更新列表的大象流两级检测方法,其特征在于,步骤S3具体包括:
控制器接收到sFlow collector服务器发送的疑似大象流列表,边缘交换机能提供每个流统计信息,控制器向边缘交换机发送流统计请求,边缘交换机将返回所查询流的统计信息到控制器,可以得到流的数据包数、字节数、数据流持续时间;字节数对应的权重为Wc,80%的流大小小于10KB,Wc为1/10KB,数据流对应的权重为Wt,80%的流的持续时间小于11秒,Wt为1/11,则流的权重W=字节数*Wc+流持续时间*Wt,对疑似大象流列表按权值由大到小进行排序,排在前n位的判断为大象流,n为采样所有流总数的百分之十,大象流只占总流数的10%,也可根据网络实际情况调整,由此最终筛选出大象流,此时完成第二级检测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910944824.7A CN110677324B (zh) | 2019-09-30 | 2019-09-30 | 基于sFlow采样与控制器主动更新列表的大象流两级检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910944824.7A CN110677324B (zh) | 2019-09-30 | 2019-09-30 | 基于sFlow采样与控制器主动更新列表的大象流两级检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110677324A true CN110677324A (zh) | 2020-01-10 |
CN110677324B CN110677324B (zh) | 2023-02-14 |
Family
ID=69080586
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910944824.7A Active CN110677324B (zh) | 2019-09-30 | 2019-09-30 | 基于sFlow采样与控制器主动更新列表的大象流两级检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110677324B (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111277467A (zh) * | 2020-01-23 | 2020-06-12 | 华为技术有限公司 | 一种通信装置、数据流识别方法及相关设备 |
CN112367217A (zh) * | 2020-10-20 | 2021-02-12 | 武汉大学 | 一种面向软件定义网络的协作式大流检测方法及系统 |
CN113746700A (zh) * | 2021-09-02 | 2021-12-03 | 中国人民解放军国防科技大学 | 一种基于概率采样的大象流快速检测方法及系统 |
CN113839831A (zh) * | 2021-08-27 | 2021-12-24 | 深圳市风云实业有限公司 | 一种流量采样装置 |
CN114039929A (zh) * | 2021-11-08 | 2022-02-11 | 深圳市高德信通信股份有限公司 | 一种业务流量调度的方法和装置 |
CN115102716A (zh) * | 2022-05-25 | 2022-09-23 | 中国科学院计算技术研究所 | 一种基于自适应采样阈值的网络大流检测方法及系统 |
CN115396373A (zh) * | 2022-10-27 | 2022-11-25 | 阿里云计算有限公司 | 基于云服务器的信息处理方法、系统及电子设备 |
CN115412506A (zh) * | 2022-09-05 | 2022-11-29 | 浙江大学 | 一种数据中心网络中大象流识别及调度方法 |
CN116208560A (zh) * | 2023-03-03 | 2023-06-02 | 济南大学 | 针对大象流的sdn数据中心网络负载均衡方法及系统 |
CN116915669A (zh) * | 2023-09-13 | 2023-10-20 | 中移(苏州)软件技术有限公司 | 报文管理方法、装置、相关设备、芯片及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106453130A (zh) * | 2016-09-30 | 2017-02-22 | 杭州电子科技大学 | 一种基于大象流精确识别的流量调度系统及方法 |
CN106453129A (zh) * | 2016-09-30 | 2017-02-22 | 杭州电子科技大学 | 一种大象流两级识别系统及方法 |
CN106603410A (zh) * | 2016-12-12 | 2017-04-26 | 中国人民解放军理工大学 | 一种面向软件定义网络的两阶段大流测量方法 |
CN107342906A (zh) * | 2016-04-29 | 2017-11-10 | 华为技术有限公司 | 一种大象流的检测方法、设备及系统 |
-
2019
- 2019-09-30 CN CN201910944824.7A patent/CN110677324B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107342906A (zh) * | 2016-04-29 | 2017-11-10 | 华为技术有限公司 | 一种大象流的检测方法、设备及系统 |
CN106453130A (zh) * | 2016-09-30 | 2017-02-22 | 杭州电子科技大学 | 一种基于大象流精确识别的流量调度系统及方法 |
CN106453129A (zh) * | 2016-09-30 | 2017-02-22 | 杭州电子科技大学 | 一种大象流两级识别系统及方法 |
CN106603410A (zh) * | 2016-12-12 | 2017-04-26 | 中国人民解放军理工大学 | 一种面向软件定义网络的两阶段大流测量方法 |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111277467B (zh) * | 2020-01-23 | 2021-12-28 | 华为技术有限公司 | 一种通信装置、数据流识别方法及相关设备 |
CN111277467A (zh) * | 2020-01-23 | 2020-06-12 | 华为技术有限公司 | 一种通信装置、数据流识别方法及相关设备 |
CN112367217A (zh) * | 2020-10-20 | 2021-02-12 | 武汉大学 | 一种面向软件定义网络的协作式大流检测方法及系统 |
CN113839831B (zh) * | 2021-08-27 | 2023-04-18 | 深圳市风云实业有限公司 | 一种流量采样装置 |
CN113839831A (zh) * | 2021-08-27 | 2021-12-24 | 深圳市风云实业有限公司 | 一种流量采样装置 |
CN113746700A (zh) * | 2021-09-02 | 2021-12-03 | 中国人民解放军国防科技大学 | 一种基于概率采样的大象流快速检测方法及系统 |
CN114039929A (zh) * | 2021-11-08 | 2022-02-11 | 深圳市高德信通信股份有限公司 | 一种业务流量调度的方法和装置 |
CN115102716A (zh) * | 2022-05-25 | 2022-09-23 | 中国科学院计算技术研究所 | 一种基于自适应采样阈值的网络大流检测方法及系统 |
CN115102716B (zh) * | 2022-05-25 | 2023-09-22 | 中国科学院计算技术研究所 | 一种基于自适应采样阈值的网络大流检测方法及系统 |
CN115412506A (zh) * | 2022-09-05 | 2022-11-29 | 浙江大学 | 一种数据中心网络中大象流识别及调度方法 |
CN115412506B (zh) * | 2022-09-05 | 2024-02-13 | 浙江大学 | 一种数据中心网络中大象流识别及调度方法 |
CN115396373A (zh) * | 2022-10-27 | 2022-11-25 | 阿里云计算有限公司 | 基于云服务器的信息处理方法、系统及电子设备 |
CN116208560A (zh) * | 2023-03-03 | 2023-06-02 | 济南大学 | 针对大象流的sdn数据中心网络负载均衡方法及系统 |
CN116208560B (zh) * | 2023-03-03 | 2024-04-30 | 济南大学 | 针对大象流的sdn数据中心网络负载均衡方法及系统 |
CN116915669A (zh) * | 2023-09-13 | 2023-10-20 | 中移(苏州)软件技术有限公司 | 报文管理方法、装置、相关设备、芯片及存储介质 |
CN116915669B (zh) * | 2023-09-13 | 2023-12-05 | 中移(苏州)软件技术有限公司 | 报文管理方法、装置、相关设备、芯片及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN110677324B (zh) | 2023-02-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110677324B (zh) | 基于sFlow采样与控制器主动更新列表的大象流两级检测方法 | |
CN113315682B (zh) | 生成信息传输性能警告的方法、系统和装置 | |
CN109787833B (zh) | 网络异常事件感知方法和系统 | |
CN108737333B (zh) | 一种数据检测方法以及装置 | |
US9774506B2 (en) | Method and apparatus for analysis of the operation of a communication system using events | |
JP3957712B2 (ja) | 通信監視システム | |
Fontugne et al. | An empirical mixture model for large-scale RTT measurements | |
WO2016169121A1 (zh) | 一种链路分析的方法、设备及系统 | |
KR100522464B1 (ko) | 네트워크 트래픽 측정 시스템 및 방법과 그 프로그램을기록한 기록매체 | |
CN111970211A (zh) | 一种基于ipfix的大象流处理方法及装置 | |
CN109952743B (zh) | 用于低内存和低流量开销大流量对象检测的系统和方法 | |
EP3460769B1 (en) | System and method for managing alerts using a state machine | |
CN109802868B (zh) | 一种基于云计算的移动应用实时识别方法 | |
JPWO2015182629A1 (ja) | 監視システム、監視装置及び監視プログラム | |
CN110677327A (zh) | 一种基于芯片的rtp流量故障实时检测方法 | |
KR100681000B1 (ko) | 플로우별 트래픽 측정 장치 및 방법 | |
US20240022507A1 (en) | Information flow recognition method, network chip, and network device | |
KR20060063564A (ko) | 샘플링과 시그너쳐 검색 기능을 구비한 인터넷 프로토콜패킷 수집 장치 및 그 방법 | |
CN110972199B (zh) | 一种流量拥塞监测方法及装置 | |
JP5180247B2 (ja) | パケットサンプリング装置と方法およびプログラム | |
CN108063764B (zh) | 一种网络流量处理方法和装置 | |
CN113727092B (zh) | 基于决策树的视频监控质量巡检方法及装置 | |
EP1549092A1 (en) | Wireless data traffic statistics | |
CN114095383B (zh) | 网络流量采样方法、系统和电子设备 | |
CN108370330B (zh) | 信息流类型分析设备和方法 |
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 |