CN110719223B - 探测周期协同自适应调整方法及系统 - Google Patents
探测周期协同自适应调整方法及系统 Download PDFInfo
- Publication number
- CN110719223B CN110719223B CN201910872239.0A CN201910872239A CN110719223B CN 110719223 B CN110719223 B CN 110719223B CN 201910872239 A CN201910872239 A CN 201910872239A CN 110719223 B CN110719223 B CN 110719223B
- Authority
- CN
- China
- Prior art keywords
- paths
- detection
- path
- time slice
- detection period
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 213
- 238000000034 method Methods 0.000 title claims abstract description 60
- 230000008859 change Effects 0.000 claims abstract description 71
- 238000012545 processing Methods 0.000 claims abstract description 24
- 238000012417 linear regression Methods 0.000 claims abstract description 12
- 238000005259 measurement Methods 0.000 claims description 47
- 230000003044 adaptive effect Effects 0.000 claims description 45
- 238000004422 calculation algorithm Methods 0.000 claims description 32
- 230000008901 benefit Effects 0.000 claims description 24
- 238000012549 training Methods 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 10
- 239000000523 sample Substances 0.000 description 9
- 230000008569 process Effects 0.000 description 6
- 238000007796 conventional method Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 4
- 238000007637 random forest analysis Methods 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 240000007594 Oryza sativa Species 0.000 description 1
- 235000007164 Oryza sativa Nutrition 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 235000009566 rice Nutrition 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L45/00—Routing or path finding of packets in data switching networks
- H04L45/12—Shortest path evaluation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Operations Research (AREA)
- Human Resources & Organizations (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Economics (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Evolutionary Biology (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Algebra (AREA)
- Development Economics (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种探测周期协同自适应调整方法及系统，其中，该方法包括以下步骤：建立路径变化的预测模型；通过线性回归方法建立预测模型的路径属性预测值与最优探测周期的线性关系；系统运行时，根据预设周期进行探测周期的自适应调整，包括：对所有路径属性进行预测，得到所有路径的预测值；通过线性关系处理所有路径的预测值和探测预算，得到所有路径探测周期调整值。该方法可根据管理员的权衡偏好进行探测周期的调整，适用于探测路径变化的测量中，根据实际路径变化特点对多条路径的探测周期参数进行动态调整，实现探测资源的合理部署。
Description
技术领域
本发明涉及计算机网络测量技术领域，特别涉及一种探测周期协同自适应调整方法及系统。
背景技术
网络测量是通过一系列的硬件设备与软件程序，对网络的运行参数以及指标进行数据采集，然后挖掘分析采集的数据的特征，通过分析得到网络中存在的问题，对研究网络安全、拥塞管理、流量均衡、网络路由策略与算法研究等都具有重要的意义。由于网络行为具有时空差异性，网络过程具有不可控性，网络行为不可重现性等特点，全球范围的持续测量具有重要的意义。
全球范围的持续网络测量是高性能协议设计、网络规划与建设以及网络故障定位的重要手段。其中对于探测互联网故障，或者前缀劫持等需要频繁测量互联网路径的系统，经常采用路由跟踪这一主动测量方式。内容分发网络不断监视路径及其属性以期望选择用于用户请求的“最佳”内容。同样的，覆盖网络监控路径用来选择最佳的覆盖路由。
在上述的例子中，源主机向大量目的地发出路由跟踪测量，期望在路由更改及路径性能更改时跟踪它们。但是由于域间/域内路由变化，负载平衡，甚至错误配置和故障，互联网路径经常变化，其中一些变化会严重影响性能，导致往返时间更长，拥塞甚至失去连接。服务提供商尤其需要跟踪路径变化和性能变化，他们需要从各个探测位置跟踪服务，因此期望以有限的成本获得更多的网络路径变化。
然而，传统的测量系统平均探测每条路径。这种单一的固定探测方法具有显著的局限性。由于源链路容量，CPU利用率和探测预算的限制，探针具有有限的探测能力，这使得它们不能频繁跟踪路径以观察所有路径中的变化。而且，网络路径变化的间隔是变化的，有些路由是稳定的，有些路由经常变化。用相同频率探测所有路径，将在稳定路径中浪费探测资源，并且错过经常变化路径中的变化。服务提供商期望在给定探测预算的约束下探测尽可能多的测量信息。因此，合理部署探测资源具有重要意义。
发明内容
本发明旨在至少在一定程度上解决相关技术中的技术问题之一。
为此，本发明的一个目的在于提出一种探测周期协同自适应调整方法。
本发明的另一个目的在于提出一种探测周期协同自适应调整系统。
为达到上述目的，本发明一方面提出了探测周期协同自适应调整方法，包括以下步骤：利用极端森林算法预测路径变化，以建立预测模型；通过线性回归方法建立所述预测模型的路径属性预测值与最优探测周期的线性关系；系统运行时，根据预设周期对所有路径属性进行预测，得到所有路径的预测值；通过所述线性关系处理所述所有路径的预测值和探测预算，得到所有路径探测周期调整值。
本发明实施例的探测周期协同自适应调整方法，解决了在探测路径变化的测量中，如何根据实际路径变化特点和测量成本对多条路径的探测周期参数进行动态调整的问题，该方法基于表征路径特征和预测路径变化的学习过程，分为两部分：第一部分首先使用极端森林算法预测路径变化，之后通过线性回归方法，建立路径属性预测值与最佳探测周期之间的关系，得到最佳探测周期的计算公式；第二部分在测量进行中实现，通过定期对所有探测的路径属性进行预测，在探测预算制约下，计算探测周期设置值，最终实现探测周期的协同自适应调整。该方法允许管理人员在测量效率和成本之间指定他们的权衡偏好，例如，本发明实施例在不同场景下测量了100条路径，自适应调整方法可以更合理地分配检测资源，和传统方法相比，使用约57％的探测资源能探测相同数量的路径变化(该实际测试基于开放资源RIPE Atlas)，达到了预期发明目标。
另外，根据本发明上述实施例的探测周期协同自适应调整方法还可以具有以下附加的技术特征：
进一步地，在本发明的一个实施例中，所述利用极端森林算法预测路径变化，包括：设定预测值以及预测值对应的输入特征值，以对多条路径进行追踪，得到多条路径路由跟踪结果；根据所述多条路径路由跟踪结果在每个时间片间隔时刻获取所有预测参数的相关特征值以及预测值；采用所述极端森林算法对所述相关特征值和所述预测值进行所述预测模型的训练。
进一步地，在本发明的一个实施例中，所述通过线性回归方法建立所述预测模型的路径属性预测值与最优探测周期的线性关系，包括：根据多条路径路由跟踪结果在每个时间片间隔时刻获取上一时间片的相关特征值；通过所述预测模型和所述相关特征值得到下一时间片的预测参数，对所述预测参数进行处理，得到所述路径属性预测值；通过遍历设置的探测周期值，计算下一时间片的实际收益，获得最高收益的记录为最优探测周期；根据最小二乘算法对所述路径属性预测值和所述最优探测周期进行拟合，得到所述线性关系。
进一步地，在本发明的一个实施例中，所述系统运行时，根据预设周期对所有路径属性进行预测，得到所有路径的预测值，包括：系统运行时，在时间片结束时刻获取当前时间片所有路径的测量结果，提取当前时间片的特征值，根据所述预测模型获得所述所有路径的预测值。
进一步地，在本发明的一个实施例中，所述通过所述线性关系处理所述所有路径的预测值和探测预算，得到所有路径探测周期调整值，进一步包括：根据所述所有路径的预测值，通过所述线性关系计算得到所有路径探测周期最优值，当超过所述探测预算时，对所有路径探测次数进行等比例缩减。
为达到上述目的，本发明另一方面提出了一种探测周期协同自适应调整系统，包括：建模模块，用于利用极端森林算法预测路径变化，以建立预测模型；关系模块，用于通过线性回归方法建立所述预测模型的路径属性预测值与最优探测周期的线性关系；预测模块，用于系统运行时，根据预设周期对所有路径属性进行预测，得到所有路径的预测值；处理模块，用于通过所述线性关系处理所述所有路径的预测值和探测预算，得到所有路径探测周期调整值。
本发明实施例的探测周期协同自适应调整系统，解决了在探测路径变化的测量中，如何根据实际路径变化特点和测量成本对多条路径的探测周期参数进行动态调整的问题，基于表征路径特征和预测路径变化的学习过程，首先获得最佳探测周期的计算公式，再在测量进行中实现，通过定期对所有探测的路径属性进行预测，在探测预算制约下，计算探测周期设置值，最终实现探测周期的协同自适应调整。该系统允许管理人员在测量效率和成本之间指定他们的权衡偏好，例如，本发明实施例在不同场景下测量了100条路径，自适应调整方法可以更合理地分配检测资源，和传统方法相比，使用约57％的探测资源能探测相同数量的路径变化(该实际测试基于开放资源RIPE Atlas)，达到了预期发明目标。
另外，根据本发明上述实施例的探测周期协同自适应调整系统还可以具有以下附加的技术特征：
进一步地，在本发明的一个实施例中，所述建模模块包括：追踪单元，用于设定预测值以及预测值对应的输入特征值，以对多条路径进行追踪，得到多条路径路由跟踪结果；第一获取单元，用于根据所述多条路径路由跟踪结果在每个时间片间隔时刻获取所有预测参数的相关特征值以及预测值；训练单元，用于采用所述极端森林算法对所述相关特征值和所述预测值进行所述预测模型的训练。
进一步地，在本发明的一个实施例中，所述关系模型包括：第二获取单元，用于根据多条路径路由跟踪结果在每个时间片间隔时刻获取上一时间片的相关特征值；处理单元，用于通过所述预测模型和所述相关特征值得到下一时间片的预测参数，对所述预测参数进行处理，得到所述路径属性预测值；计算单元，用于通过遍历设置的探测周期值，计算下一时间片的实际收益，获得最高收益的记录为最优探测周期；拟合单元，用于根据最小二乘算法对所述路径属性预测值和所述最优探测周期进行拟合，得到所述线性关系。
进一步地，在本发明的一个实施例中，所述预测模型包括：系统运行时，在时间片结束时刻获取当前时间片所有路径的测量结果，提取当前时间片的特征值，根据所述预测模型获得所述所有路径的预测值。
进一步地，在本发明的一个实施例中，所述处理单元进一步用于：通过所述线性关系计算得到所有路径探测周期最优值，当超过所述探测预算时，对所有路径探测次数进行等比例缩减。
本发明附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
图1为根据本发明实施例的探测周期协同自适应调整方法流程图；
图2为根据本发明实施例的自适应调整方法和已有方法总收益随探测预算的变化情况对比曲线图；
图3为根据本发明实施例的自适应调整方法和已有方法查准率随探测预算的变化情况对比曲线图；
图4为根据本发明实施例的自适应调整方法和已有方法查全率随探测预算的变化情况对比曲线图；
图5为根据本发明实施例的探测周期协同自适应调整系统结构示意图。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。
首先，对于管理员来讲，系统每次测量都是要付出代价的，比如消耗的服务器资源及带宽资源，或者使用公共测量平台，比如开放资源RIPE Atlas需要付出的积分。同时，捕获到路由或者性能的改变会带来收益，比如避免了业务性能受到影响，该收益是可以用金钱来衡量的。而每次测量付出的代价也是可以用金钱来衡量的。本发明实施例把收益和付出抽象为数字对比。另一方面，管理员的预算可能是有限的，本发明实施例把预算抽象为一个时间片内可以探测的次数。因此，本发明实施例的目的是在有限的预算下达到收益的最大化。
具体而言，探测系统首先确定对于探测节点v和探测目标d在一个时间片内的探测数量nv,d。在一个时间片T内系统不改变探测周期，意味着时间片T被分割成nv,d份相同的时间间隔。系统在时间片T的探测周期为cv,d＝T/nv,d。因此，探测周期cv,d意味着测量被部署在时间节点ti＝i×cv,d(i＝0,1,…,nv,d-1)。定义
为从v到d在ti下的路径。如果
表示系统捕捉到一次路径动态变化，系统在
的测量收益为
反之
类似的，定义
为一次路径性能变化的收益，当系统没有捕捉到路径性能变化时
自适应调整目标被定义为：
cmin≤cv,d≤cmax
条件
表示探测预算制约，其中Bs是一个时间片下探测数量的最大值。探测周期设定范围为[cmin,cmax]。本发明实施例期望在不超过系统预算下取得最高的系统收益。
下面参照附图描述根据本发明实施例提出的探测周期协同自适应调整方法及系统，首先将参照附图描述根据本发明实施例提出的探测周期协同自适应调整方法。
图1是本发明一个实施例的探测周期协同自适应调整方法流程图。
如图1所示，该探测周期协同自适应调整方法包括以下步骤：
在步骤S101中，利用极端森林算法预测路径变化，以建立预测模型。
进一步地，在本发明的一个实施例中，利用极端森林算法预测路径变化，包括：设定预测值以及预测值对应的输入特征值，以对多条路径进行追踪，得到多条路径路由跟踪结果；根据多条路径路由跟踪结果在每个时间片间隔时刻获取所有预测参数的相关特征值以及预测值；采用极端森林算法对相关特征值和预测值进行预测模型的训练。
需要说明的是，路径变化统称路径动态变化和路径性能变化。
具体而言，路径P被定义为源s到目标d的连接，在任意时刻t，路径P(t)会被特定的路由r实现。路由r由实现路径P的节点序列组成，也即路由r由一系列IP序列组成。路径P会被不同的路由r实现，为一个动态变化过程。路由动态变化指在特定路径P下，路由r的改变。定义路由r的持续时间为D(r)＝tf-t0，时刻t下，路由的当前生存时间为Lr(t)＝t-t0，路由剩余时间为Rr(t)＝tf-t。最后定义rcp(t)为时刻t观察到的路径P路由变化的总数，rcpT(t)为时刻t观察到的路径P在当前时间片内路由变化的总数，时间片长度为T。
使用RTTi-1和RTTi分别表示相邻两次路由跟踪测量的RTT指标。本发明实施例定义路径性能变化为|RTTi-RTTi-1|/RTTi-1≥ε，ε为路径性能变化阈值。定义RTTcp(t)为时刻t观察到的路径性能变化总数，
为时刻t观察到的路径在当前时间片路径性能变化总数，时间片长度为T。
例如，本发明实施例将下一时间片探测周期的设置基于对下一时间片路径变化情况的预测，设定三个预测目标：
①路由r的剩余寿命
②下一时间片内发生的路径路由变化次数
时间片长度为T；
③下一时间片内发生的路由性能变化次数
时间片长度为T。
使用极端随机森林算法作为预测算法，算法对三个预测目标的输入特征集合如表1所示。
表1预测目标的特征集合
在步骤S102中，通过线性回归方法建立预测模型的路径属性预测值与最优探测周期的线性关系。
进一步地，在本发明的一个实施例中，通过线性回归方法建立预测模型的路径属性预测值与最优探测周期的线性关系，包括：根据多条路径路由跟踪结果在每个时间片间隔时刻获取上一时间片的相关特征值；通过预测模型和相关特征值得到下一时间片的预测参数，对预测参数进行处理，得到路径属性预测值；通过遍历设置的探测周期值，计算下一时间片的实际收益，获得最高收益的记录为最优探测周期；根据最小二乘算法对路径属性预测值和最优探测周期进行拟合，得到线性关系。
举例而言，本发明实施例期望合理地将系统预测目标和一些重要参数包括在最优探测周期的计算中。表2列出具体变量及其物理意义。
表2与探测周期有关变量及物理意义
其中，prt表示一个时间片已探测到的路径路由变化的比例，prt较小表示探测到几乎所有的路径变化，且在此路径中使用了太多资源，当prt趋于1表示系统遗失部分路径路由改变。类似的，ptrt表示一个时间片已探测到的路由性能变化的比例。为了探测下一次路由变化，自然地希望将探测周期设置为当前剩余寿命
为了保持与其他变量的量级相同，将
转化为
实验获取多个采样点在当前时间片的五个参数，以及下一时间片的最优探测周期值，即可在下一时间片获得最高系统收益的探测周期。使用最小二乘算法进行线性回归拟合得到最优探测周期
的计算公式。
在步骤S103中，系统运行时，根据预设周期对所有路径属性进行预测，得到所有路径的预测值。
进一步地，在本发明的一个实施例中，系统运行时，根据预设周期对所有路径属性进行预测，得到所有路径的预测值，包括：
系统运行时，在时间片结束时刻获取当前时间片所有路径的测量结果，提取当前时间片的特征值，根据预测模型获得所有路径的预测值。
在步骤S104中，通过线性关系处理所有路径的预测值和探测预算，得到所有路径探测周期调整值。
在本发明的一个实施例中，通过线性关系处理所有路径的预测值和探测预算，得到所有路径探测周期调整值，进一步包括：根据所有路径的预测值，通过线性关系计算得到所有路径探测周期最优值，当超过探测预算时，对所有路径探测次数进行等比例缩减。
具体地，管理员设定时间片的长度T以及一个时间片的最大探测次数Bs。对于每个时间片，当探测预算不足时，即不能将探测周期设置为通过线性公式获得的预期值
并且应该考虑合理的探测预算分配。我们使用公平分配算法，将所有路径的探测率按相同比例减少，公式如下：
其中，Bs为一个时间片内系统最大探测次数。通过公平分配算法将预期值
转换为设定值
获得系统在下一时间片各路径的探测周期集合
实际探测中，初始时所有路径设置相同的探测周期，此后每个时间片结束时进行探测周期的自适应调整，通过探测周期计算方法和公平分配算法计算得到各路径的探测周期集合
更改各路径的探测周期。
下面结合传统方法与具体示例对本发明实施例做进一步详细说明。
首先，本发明具体示例对探测系统探测周期参数的动态调整方法分为三部分：
第一步，路径变化预测，具体如下：
步骤1，管理员设置如下参数：
T：时间片长度(以小时为单位)
ε：路径性能变化阈值
Ntree：极端随机森林子树数量
Nprobe：选择节点数量
NT：选择时间片数量
步骤2，初始化如下参数：
Ml：路由跟踪测量结果，初始为空。
R1：路由剩余寿命训练集，初始为空，存储特征值和路由剩余寿命结果序列。
R2：路径路由改变次数训练集，初始为空，存储特征值和下一时间片路径路由改变次数。
R3：路由性能改变次数训练集，初始为空，存储特征值和下一时间片路由性能改变次数。
Mlast：保存上一次测量结果。
Ltime：采样时间点集合，从测量结果开始时刻，每个元素相差一个时间片大小。
Nroute：记录每个时间片路径路由改变次数，初始元素全为0，长度为NT。
Nrtt：记录每个时间片路由性能改变次数，初始元素全为0，长度为NT。
Indexroute：路径路由改变索引集合，初始为空。
Dr：路由的持续时间序列集合，初始为空。
Indexm：测量结果在Mlast集合的索引，初始为0。
Indextime：测量结果的时间片索引，也即在Nroute和Nrtt集合的索引，初始为0。
步骤3，随机获取RIPE Atlas资源中Nprobe个节点中时间范围为NT×T的所有路由跟踪测量结果，存入Ml。
步骤4，对于Ml集合中的每一个元素m，获取结果m的探测时刻t，依次执行以下步骤：
步骤4-1，如当前元素m为此路径第一个测量数据则保存为Mlast。
步骤4-2，如当前元素m不为此路径第一个测量数据：
步骤4-2-1，提取结果m的时间片索引,对于Ltime集合中的每一个元素tl，依次执行以下步骤：
步骤4-2-1-1，如t大于tl，则继续。
步骤4-2-1-2，如t小于tl，说明获取到元素m的时间片索引Index，结束步骤4-2-1。
步骤4-2-2，通过步骤(4.2.1)比较当前探测结果与Mlast结果，如发生路径路由改变，Nroute[Indextime]元素加一，将当前结果索引记录至Indexroute，并从Indexroute上一次路由改变索引计算路由持续时间，记录至Dr；如发生路由性能改变，Nrtt[Indextime]元素加一。
步骤4-2-3，当Indextime≠0且Indextime≠NT-1时，根据Nroute，Nrtt，Indexroute，Dr提取当前结果对应的特征，并分别存储到R1，R2，R3，三个预测目标的对应预测结果通过现有数据无法提取，将对应位置存储为Index，后续更新。
步骤4-2-4，如当前结果发生路径路由改变，更新R1序列中的路由剩余寿命结果。将R1集合反序，对于该集合的每一个元素r，依次执行以下步骤：
步骤4-2-4-1，如r中路由剩余寿命位置未更新，计算当前结果m的测量时刻与存储Indextime的测量时刻的差值，将该值更新为新的路由剩余寿命。
步骤4-2-4-2，如r中路由剩余寿命位置已更新，表明序列R1已全部更新，结束步骤(4.2.4)。
步骤4-2-4，最后将当前结果保存为Mlast。
步骤5，更新R2的预测目标，即下一时间片路径路由改变次数。对于R2集合的每一个元素r，依次执行以下步骤：
步骤5-1，获取r存储的Indextime，用Nroute[Indextime+1]替换Indextime，记录为路径路由改变次数。
步骤6，更新R3的预测目标，即下一时间片路径路由改变次数。对于R3集合的每一个元素r，依次执行以下步骤：
步骤6-1，获取r存储的Indextime，用Nrtt[Indextime+1]替换Indextime，记录为路径路由改变次数。
步骤7，将R1，R2，R3存储的训练数据集分别用极端随机森林算法进行训练得到预测模型M1，M2，M3。
第二步，探测周期线性公式计算步骤，具体如下：
步骤1，管理员设置如下参数：
T：时间片长度(以小时为单位)
NT:选择时间片数量
ε：路径性能变化阈值
Uroute：路由路径变化收益
Urtt：路径性能变化收益
Cost：一次测量开销
Cmax：探测周期可设定的最大值
Cmin：探测周期可设定的最小值
步骤2，初始化如下参数：
Settime：探测系统允许设置的探测周期集合，该集合中的元素小于Cmax大对应于Cmin。
Setnode：探测节点及对应探测目标集合，探测节点及探测目标选择与最终系统实际探测路径特点保持一致，并确保样本量足够多。
Setxy：存储拟合的输入变量及最优探测周期，初始为空。
M:路由跟踪测量结果，初始为空。
步骤3，获取RIPE Atlas资源，Setnode相应探测节点及对应探测目标在时间范围为NT×T的所有路由跟踪测量结果，存入Ml。
步骤4，对于Ml集合中的每一个元素m，依次执行以下步骤：
步骤4-1，如果m为时间片结束时刻，获取当前时刻拟合的输入变量以及最优探测周期数值，依次执行以下步骤：
步骤4-1-1，获取当前时间片三个目标的输入特征，分别使用预测模型得到下一时间片的预测值。获取当前时间片的测量次数，路径路由变化次数以及路由性能变化次数，计算出当前时刻五个输入变量。
步骤4-1-2，遍历探测周期，得到下一时间片取得最高系统收益的探测周期。对于Settime集合中的每一个元素t，依次执行以下步骤：
步骤4-1-2-1，对集合中下一时间片的测量数据筛选为以t为间隔的测量数据，计算筛选后数据的实际路径路由变化数量和路由性能变化数量，计算得到t下系统的实际收益。
步骤4-1-2-2，如当前收益为最高收益记录当前探测周期值，反之则不记录。
步骤4-1-3，得到获得最高收益的探测周期，将该时刻的输入变量和最优探测周期值存入Setnode。
步骤5，使用最小二乘算法对Setnode存储的数据进行线性拟合，得到最终拟合公式的系数。
第三步，自适应实时调整，具体如下：
步骤1，管理员设置如下参数：
T：时间片长度(以小时为单位)
ε：路径性能变化阈值
Bs：一个时间片探测次数最大阈值
Cmax：探测周期可设定的最大值
Cmin：探测周期可设定的最小值
Etime：系统停止测量时刻
步骤2，初始化如下参数：
Setnode：系统探测节点及对应探测目标集合，列出系统测量的探测路径。
Settime：自适应调整时刻集合，为每时间片结束时刻。
Setinterval：探测周期集合，存储下一时间片各探测路径的探测周期值，初始为空。
Coeff：探测周期线性公式系数集合，自适应调整中根据系数计算。
Ml：路由跟踪测量结果，初始为空。
步骤3，根据Setnode存储的探测路径，所有路径探测次数之和为Bs且探测周期相同，创建测量。
步骤4，如当前时刻小于Etime，且执行以下步骤：
步骤4-1，获取上一时间片的测量结果存入Ml。获取当前时间片三个目标的输入特征，分别使用预测模型得到下一时间片的预测值。获取当前时间片的测量次数，路径路由变化次数以及路由性能变化次数，计算出当前时刻五个输入变量。代入系数Coeff，计算得到下一时间片探测周期预期值，存入Setinterval。
步骤4-2，计算探测周期集合Setinterval在时间片长度为T的实际探测次数，如大于阈值Bs，将各路径的探测次数以相同比例缩减使总和不超过Bs。
步骤4-3，更新探测路径的探测周期为Setinterval。
步骤5，停止所有测量。
其次，进行自适应调整方法实验评估，具体如下：
传统方法将探测资源平均分配，所有探测路径的探测周期相同。实验评估中，同时比较自适应调整方法，传统方法，以及DTRACK中的采样分配方法，并给出四种系统目标收益参数设定值，在表3列出，比较三种方法在不同系统设定下的表现。
该实验评估考虑两种典型的情况：第一种，管理员不考虑测量的成本，愿意在预算约束下捕获更多的路径变化，A和B对应这种情况，只是A更优先路由变化，B更优先性能变化；第二种，管理员考虑测量的成本，对应为C，D的情况。
此外本次实验评估从三方面进行分析：第一个是总收益；第二个是查准率，即探测到的路径变化数与实际探测次数之比；第三个是查全率，即探测到的路径变化数与实际路径变化次数的比例。其中，单个探测可以探测最多两个路径变化。希望在探测资源不足时系统能观察更多路径更改。
表3系统目标参数设定
| 参数 | A | B | C | D |
| U<sub>route</sub> | 7 | 3 | 7 | 3 |
| U<sub>rtt</sub> | 3 | 7 | 3 | 7 |
| cost | 0 | 0 | 1 | 1 |
为了对本发明进行评估，采用基于RIPE Atlas开放资源，选择二十个探针，同时进行一百条路径的探测模拟，模拟为期五天，设定时间片长度为24h。图2记录三种策略的总收益随探测预算的变化情况，图3记录三种策略的查准率随探测预算的变化情况，图4记录三种策略的查全率随探测预算的变化情况。其中A-D对应不同的系统收益设定，横坐标为探测预算，表示为探测频率，即每条路径每天的探测次数。
如图2-4所示可以看出，自适应调整方法的系统收益总是优于其他两种方法。它随着预算的增加而增加，并且在达到最高值后保持不变。图2可看出自适应调整方法总是三种策略中表现最优的。特别的，当cost设置为1时，自适应调整方法可以始终保持系统收入的稳定，而传统技术和DTRACK技术均使系统收入持续下降。
自适应调整方法会考虑成本和收入偏好，最大限度地提高收入，保持探测资源的合理使用。而传统的探测技术仅受预算约束，探测频率随探测预算的增加而增加。在图4中，可以看出传统系统的路径变化探测查全率随着预算的增加而不断增加。图3表明，自适应调整方法的查准率比率始终高于传统技术和DTRACK技术，表明自适应调整方法始终能够保持资源的有效利用。在图4中，当系统成本不为0时，为了最大化系统收益，自适应调整方法降低了探测速率，从而探测到更少的变化。当管理员希望探测尽可能多的路径变化时，即图4中的A，B自适应调整方法的系统设置总是在到达稳定点之前探测路径变化的最大数量。从图4(A-c)可以看出，当探测率为24时，自适应调整方法探测到87％的路径变化，而传统技术探测到相同的变化，直到探测频率为42.我们可以得出结论，与传统技术相比，自适应调整方法可以通过使用大约57％的探测资源来探测相同数量的路径变化，并实现资源的合理分配。
综上，本发明实施例达到了预期目的。
根据本发明实施例提出的探测周期协同自适应调整方法，可根据管理员的权衡偏好进行探测周期的调整，适用于探测路径变化的测量中，根据实际路径变化特点对多条路径的探测周期参数进行动态调整，实现探测资源的合理部署。
其次参照附图描述根据本发明实施例提出的探测周期协同自适应调整系统。
图5是本发明一个实施例的探测周期协同自适应调整系统结构示意图。
如图2所示，该探测周期协同自适应调整系统10包括：建模模块100、关系模块200、预测模块300和处理模块400。
其中，建模模块100，用于利用极端森林算法预测路径变化，以建立预测模型。关系模块200，用于通过线性回归方法建立预测模型的路径属性预测值与最优探测周期的线性关系。预测模块300，用于系统运行时，根据预设周期对所有路径属性进行预测，得到所有路径的预测值。处理模块400，用于通过线性关系处理所有路径的预测值和探测预算，得到所有路径探测周期调整值。
进一步地，在本发明的一个实施例中，建模模块包括：追踪单元，用于设定预测值以及预测值对应的输入特征值，以对多条路径进行追踪，得到多条路径路由跟踪结果；第一获取单元，用于根据多条路径路由跟踪结果在每个时间片间隔时刻获取所有预测参数的相关特征值以及预测值；训练单元，用于采用极端森林算法对相关特征值和预测值进行预测模型的训练。
进一步地，在本发明的一个实施例中，关系模型包括：第二获取单元，用于根据多条路径路由跟踪结果在每个时间片间隔时刻获取上一时间片的相关特征值；处理单元，用于通过预测模型和相关特征值得到下一时间片的预测参数，对预测参数进行处理，得到路径属性预测值；计算单元，用于通过遍历设置的探测周期值，计算下一时间片的实际收益，获得最高收益的记录为最优探测周期；拟合单元，用于根据最小二乘算法对路径属性预测值和最优探测周期进行拟合，得到线性关系。
进一步地，在本发明的一个实施例中，预测模型包括：系统运行时，在时间片结束时刻获取当前时间片所有路径的测量结果，提取当前时间片的特征值，根据预测模型获得所有路径的预测值。
进一步地，在本发明的一个实施例中，处理单元进一步用于：通过线性关系计算得到所有路径探测周期最优值，当超过探测预算时，对所有路径探测次数进行等比例缩减。
需要说明的是，前述对探测周期协同自适应调整方法实施例的解释说明也适用于该系统，此处不再赘述。
根据本发明实施例提出的探测周期协同自适应调整系统，可根据管理员的权衡偏好进行探测周期的调整，适用于探测路径变化的测量中，根据实际路径变化特点对多条路径的探测周期参数进行动态调整，实现探测资源的合理部署。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (10)
1.一种探测周期协同自适应调整方法，其特征在于，包括以下步骤：
利用极端森林算法预测路径变化，以建立预测模型；
通过线性回归方法建立所述预测模型的路径属性预测值与最优探测周期的线性关系；
系统运行时，根据预设周期对所有路径属性进行预测，得到所有路径的预测值；以及
通过所述线性关系处理所述所有路径的预测值和探测预算，得到所有路径探测周期调整值。
2.根据权利要求1所述的探测周期协同自适应调整方法，其特征在于，所述利用极端森林算法预测路径变化，包括：
设定预测值以及预测值对应的输入特征值，以对多条路径进行追踪，得到多条路径路由跟踪结果；
根据所述多条路径路由跟踪结果在每个时间片间隔时刻获取所有预测参数的相关特征值以及预测值；
采用所述极端森林算法对所述相关特征值和所述预测值进行所述预测模型的训练。
3.根据权利要求1所述的探测周期协同自适应调整方法，其特征在于，所述通过线性回归方法建立所述预测模型的路径属性预测值与最优探测周期的线性关系，包括：
根据多条路径路由跟踪结果在每个时间片间隔时刻获取上一时间片的相关特征值；
通过所述预测模型和所述相关特征值得到下一时间片的预测参数，对所述预测参数进行处理，得到所述路径属性预测值；
通过遍历设置的探测周期值，计算下一时间片的实际收益，获得最高收益的记录为最优探测周期；
根据最小二乘算法对所述路径属性预测值和所述最优探测周期进行拟合，得到所述线性关系。
4.根据权利要求1所述的探测周期协同自适应调整方法，其特征在于，所述系统运行时，根据预设周期对所有路径属性进行预测，得到所有路径的预测值，包括：
系统运行时，在时间片结束时刻获取当前时间片所有路径的测量结果，提取当前时间片的特征值，根据所述预测模型获得所述所有路径的预测值。
5.根据权利要求1所述的探测周期协同自适应调整方法，其特征在于，所述通过所述线性关系处理所述所有路径的预测值和探测预算，得到所有路径探测周期调整值，进一步包括：
根据所述所有路径的预测值，通过所述线性关系计算得到所有路径探测周期最优值，当超过所述探测预算时，即所有路径都取探测周期最优值的情况下，其总的探测次数超过所述探测预算时，对所有路径探测次数进行等比例缩减。
6.一种探测周期协同自适应调整系统，其特征在于，包括：
建模模块，用于利用极端森林算法预测路径变化，以建立预测模型；
关系模块，用于通过线性回归方法建立所述预测模型的路径属性预测值与最优探测周期的线性关系；
预测模块，用于系统运行时，根据预设周期对所有路径属性进行预测，得到所有路径的预测值；以及
处理模块，用于通过所述线性关系处理所述所有路径的预测值和探测预算，得到所有路径探测周期调整值。
7.根据权利要求6所述的探测周期协同自适应调整系统，其特征在于，所述建模模块包括：
追踪单元，用于设定预测值以及预测值对应的输入特征值，以对多条路径进行追踪，得到多条路径路由跟踪结果；
第一获取单元，用于根据所述多条路径路由跟踪结果在每个时间片间隔时刻获取所有预测参数的相关特征值以及预测值；
训练单元，用于采用所述极端森林算法对所述相关特征值和所述预测值进行所述预测模型的训练。
8.根据权利要求6所述的探测周期协同自适应调整系统，其特征在于，所述关系模型包括：
第二获取单元，用于根据多条路径路由跟踪结果在每个时间片间隔时刻获取上一时间片的相关特征值；
处理单元，用于通过所述预测模型和所述相关特征值得到下一时间片的预测参数，对所述预测参数进行处理，得到所述路径属性预测值；
计算单元，用于通过遍历设置的探测周期值，计算下一时间片的实际收益，获得最高收益的记录为最优探测周期；
拟合单元，用于根据最小二乘算法对所述路径属性预测值和所述最优探测周期进行拟合，得到所述线性关系。
9.根据权利要求6所述的探测周期协同自适应调整系统，其特征在于，所述预测模型包括：
系统运行时，在时间片结束时刻获取当前时间片所有路径的测量结果，提取当前时间片的特征值，根据所述预测模型获得所述所有路径的预测值。
10.根据权利要求6所述的探测周期协同自适应调整系统，其特征在于，所述处理单元进一步用于：
通过所述线性关系计算得到所有路径探测周期最优值，当超过所述探测预算时，即所有路径都取探测周期最优值的情况下，其总的探测次数超过所述探测预算时，对所有路径探测次数进行等比例缩减。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910872239.0A CN110719223B (zh) | 2019-09-16 | 2019-09-16 | 探测周期协同自适应调整方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910872239.0A CN110719223B (zh) | 2019-09-16 | 2019-09-16 | 探测周期协同自适应调整方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110719223A CN110719223A (zh) | 2020-01-21 |
| CN110719223B true CN110719223B (zh) | 2020-08-11 |
Family
ID=69210499
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910872239.0A Active CN110719223B (zh) | 2019-09-16 | 2019-09-16 | 探测周期协同自适应调整方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110719223B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114448871B (zh) * | 2021-12-23 | 2023-11-03 | 天翼云科技有限公司 | 一种用于cdn的数据反馈选路方法及系统 |
| CN115865965B (zh) * | 2022-11-22 | 2023-12-19 | 中山大学 | 一种基于层次感知的移动目标探测方法、系统及设备 |
Family Cites Families (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7715425B2 (en) * | 2004-02-26 | 2010-05-11 | Atheros Communications, Inc. | Channel adaptation synchronized to periodically varying channel |
| CN101296180B (zh) * | 2008-06-19 | 2010-11-10 | 上海交通大学 | 基于吞吐量性能的无线Mesh网络自适应路由方法 |
| CN101567754B (zh) * | 2009-06-04 | 2012-09-19 | 上海交通大学 | 基于无线Mesh网络的速率自适应方法 |
| CN102082618B (zh) * | 2010-12-26 | 2014-02-12 | 北京航空航天大学 | 一种分析接收点群路径时间随机性的方法 |
| JP5874311B2 (ja) * | 2011-10-24 | 2016-03-02 | ソニー株式会社 | 電力需要予測装置、電力需要予測方法および電力需要予測システム |
| US10404612B2 (en) * | 2016-12-01 | 2019-09-03 | Nicira, Inc. | Prioritizing flows in software defined networks |
| CN107395440B (zh) * | 2017-08-28 | 2020-07-07 | 电子科技大学 | 基于复杂网络的互联网拓扑探测节点优化部署方法 |
| CN108399748B (zh) * | 2018-03-08 | 2020-12-22 | 重庆邮电大学 | 一种基于随机森林与聚类算法的道路旅行时间预测方法 |
| CN108989133B (zh) * | 2018-08-27 | 2020-03-31 | 山东大学 | 基于蚁群算法的网络探测优化方法 |
-
2019
- 2019-09-16 CN CN201910872239.0A patent/CN110719223B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN110719223A (zh) | 2020-01-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110990159B (zh) | 一种基于历史数据分析的容器云平台资源配额预测方法 | |
| KR100932919B1 (ko) | 동적 채널 할당을 위한 채널 집합 관리 방법 및 시스템 | |
| Zhou et al. | Network traffic modeling and prediction with ARIMA/GARCH | |
| CN102043673B (zh) | 并行处理中执行任务的节点数量的优化选择系统及方法 | |
| CN110719223B (zh) | 探测周期协同自适应调整方法及系统 | |
| CN109634744B (zh) | 一种基于云平台资源分配的精确匹配方法，设备及存储介质 | |
| Cunha et al. | Predicting and tracking internet path changes | |
| CN111198808B (zh) | 预测性能指标的方法、装置、存储介质及电子设备 | |
| JP5612696B2 (ja) | 通信ネットワーク内のサービス品質結果の特定及びアクセスのためのネットワーク管理システム及び方法 | |
| US20120324471A1 (en) | Control device, management device, data processing method of control device, and program | |
| US20030023719A1 (en) | Method and apparatus for prediction of computer system performance based on types and numbers of active devices | |
| US10803397B2 (en) | Application behavior learning based capacity forecast model | |
| CN106156878A (zh) | 广告点击率矫正方法及装置 | |
| WO2017165003A1 (en) | Control device for estimation of power consumption and energy efficiency of application containers | |
| WO2011128922A1 (en) | Automated upgrading method for capacity of it system resources | |
| US20080270225A1 (en) | Apparatus and Methods for Determining Availability and Performance of Entities Providing Services in a Distributed System Using Filtered Service Consumer Feedback | |
| CN102364449B (zh) | 一种最小测试用例集的生成方法及系统 | |
| CN105511953A (zh) | 云环境下的虚拟机负载评估系统、方法以及服务节点 | |
| CN112416602B (zh) | 一种分布式数据流资源弹性伸缩增强插件及增强方法 | |
| US20200233724A1 (en) | Workload placement in a cluster computing environment using machine learning | |
| Paul et al. | Learning probabilistic models of cellular network traffic with applications to resource management | |
| JP6258900B2 (ja) | 通信帯域算出装置、通信帯域算出方法、及び通信帯域算出プログラム | |
| CN114860813B (zh) | 计量装置的全生命周期管理系统 | |
| Mastelic et al. | Data velocity scaling via dynamic monitoring frequency on ultrascale infrastructures | |
| JP2012118872A (ja) | 性能予測装置、性能予測方法およびプログラム |
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 |