CN113489619B - 一种基于时间序列分析的网络拓扑推断方法及装置 - Google Patents
一种基于时间序列分析的网络拓扑推断方法及装置 Download PDFInfo
- Publication number
- CN113489619B CN113489619B CN202111036139.8A CN202111036139A CN113489619B CN 113489619 B CN113489619 B CN 113489619B CN 202111036139 A CN202111036139 A CN 202111036139A CN 113489619 B CN113489619 B CN 113489619B
- Authority
- CN
- China
- Prior art keywords
- time
- nodes
- gram
- time series
- matrix
- 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
- 238000000034 method Methods 0.000 title claims abstract description 64
- 238000012731 temporal analysis Methods 0.000 title claims abstract description 24
- 238000000700 time series analysis Methods 0.000 title claims abstract description 24
- 230000002776 aggregation Effects 0.000 claims abstract description 35
- 238000004220 aggregation Methods 0.000 claims abstract description 35
- 239000011159 matrix material Substances 0.000 claims abstract description 32
- 238000012163 sequencing technique Methods 0.000 claims abstract description 21
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 16
- 238000012512 characterization method Methods 0.000 claims abstract description 12
- 238000004364 calculation method Methods 0.000 claims description 18
- 238000004891 communication Methods 0.000 claims description 17
- 238000005070 sampling Methods 0.000 claims description 9
- 230000006835 compression Effects 0.000 claims description 7
- 238000007906 compression Methods 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 7
- 230000011218 segmentation Effects 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 3
- 238000006116 polymerization reaction Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims 2
- 235000008216 herbs Nutrition 0.000 claims 1
- 238000002372 labelling Methods 0.000 claims 1
- 230000005540 biological transmission Effects 0.000 description 10
- 238000005259 measurement Methods 0.000 description 10
- 230000001364 causal effect Effects 0.000 description 8
- 238000004458 analytical method Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 6
- 238000001514 detection method Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000003325 tomography Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012806 monitoring device Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000011895 specific detection Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
Images
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
- H04L41/12—Discovery or management of network topologies
-
- 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
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
本发明提供一种基于时间序列分析的网络拓扑推断方法及装置，所述方法包括：获取信息数据，将所述信息数据以时间序列进行表征；根据表征结果，对各节点进行排序，并按照排序次序将各节点对应的时间序列进行拼接；对拼接后的时间序列进行分段近似聚合；使用格拉姆角差场算法对分段近似聚合后的时间序列进行编码，构建类格拉姆矩阵；根据所述类格拉姆矩阵，对网络进行拓扑推断。根据本发明的方案，基于时间序列分析的网络拓扑推断方法可有效完成非协作条件下的拓扑推断。
Description
技术领域
本发明涉及计算机网络领域，尤其涉及一种基于时间序列分析的网络拓扑推断方法与装置。
背景技术
网络拓扑是信息传输过程中需遵循的地图，为了实现网络中关键节点的识别、网络性能的监控以及网络特征的分析等均需要了解网络的拓扑结构。现有的拓扑推断方法主要分为协作式拓扑推断和非协作式拓扑推断两类，目前相关研究成果主要集中于协作式拓扑推断。
协作式拓扑推断方法，主要基于网络可接入、报文可解析的前提，通过对网络中传输信息的解析实现网络拓扑的推断，分为基于网络层析成像的推断方法和基于协议分析的推断方法。
基于网络层析成像的网络拓扑推断通常包括三个步骤：（1）使用端到端的测量方法获取端到端的相关性能参数；（2）利用端到端相关参数计算节点之间的关联性；（3）根据节点之间的关联性对网络的拓扑结构进行推断。针对节点相关性进行计算时依据的参数包括：传输成功率、排队时延、时延协方差、时延抖动协方差以及对多个参数融合后的综合参数等。网络层析成像技术按照探测包的发送方式分为主动测量和被动测量两类。主动测量主要是通过在选定节点上主动发送探测包，并根据采集到的相关信息对网络进行推断，方法主要包括单播测量和多播测量。主动测量的优势是主动发包，测量过程可控，使用灵活；其不足是发送的探测包会增加网络负担，对网络中正常数据的传输产生一定的影响。被动测量是通过对网络中的链路或者设备进行监测，根据网络中特定类型的数据包进行分析完成推断的方法。被动测量的优点是不需要主动发送数据包，不会对网络中正常传输的信息产生影响，不足是需要部署一定数量的监测设备，采用被动状态，有时无法监测到相关信息，监测时间相对较长，同时当网络中出现故障时，无法找到故障的具体位置，由于被动测量需要的监测设备较多，推断时间长，在实际的网络拓扑推断过程中应用较少。
基于协议分析的拓扑推断方法，首先针对不同的网络协议发送特定的探测包，进而在已接入节点（例如：网络汇聚节点）完成相关信息的采集，最终通过对不同报文的分析完成网络拓扑的推断。用于拓扑推断的协议主要包括简单网络管理协议（Simple NetworkManagement Protocol, SNMP）、互联网控制报文协议（Internet Control MessageProtocol， ICMP）、地址解析协议（Address Resolution Protocol, ARP）、网关协议（例如路由信息协议（Routing Information Protocol, RIP））、路由协议（例如开放最短路径优先协议（Open Shortest Path First Protocol, OSPF）和Ad Hoc 按需距离矢量路由（Adhoc On-Demand Distance Vector Routing, AODV）协议）等。
协作式拓扑推断通常基于网络可接入、网络中通信信息可采集、可解析的前提，部分方法需要发送大量探测数据包才能完成推断，对于获取信息较少、网络不可接入的情况并不适用。
非协作式拓扑推断，主要在不接入、信息处于加密状态或者难以解析情况下实施，通常首先对监测到的频谱信号进行分析，构建信号对应的特征序列，然后采用格兰杰因果关系检验、传递熵分析等手段实现节点间通联关系或者网络拓扑的推断。
格兰杰因果关系检验最早由英国经济学家克莱夫•格兰杰提出，目的是为了实现对经济学上平稳时间序列数据的预测。在格兰杰因果关系推断过程中，如果一个变量X无助于预测另一变量Y，则说X不是Y的原因，如果X是Y的原因，需要满足两个条件：一是X有助于预测变量Y，二是Y无助于预测X。2013年，Paul Tilghman等人对非协作式拓扑推断进行了研究，并将格兰杰因果关系检验应用于无线通信链路和网络拓扑的推断，通过将两个信号对应的序列代入格兰杰因果计算公式求取的两个节点之间的格兰杰因果关系值，并与阈值进行比较，如果大于阈值则认定两个节点间存在通联关系，否则不存在。传递熵也基于格兰杰因果关系的定义，但是在实际应用过程中，它放宽了通常伴随格兰杰因果关系的线性自回归建模假设。2018年，Pranay Sharma等人针对基于格兰杰因果关系进行拓扑推断复杂度高的问题，提出了基于传递熵的拓扑推断方法。该方法同样基于ARQ机制中数据包与ACK之间的紧密关联性，假定每个节点有两个时间序列可用，分别是接收数据包的时间序列和接收ACK的时间序列，分析过程中仅捕捉信号的下降沿，将下降沿出现的时刻记为1，其余时刻记为0。将节点收到数据包建模为因，将收到ACK建模为果。在获取不同节点间时间序列的传递熵值得基础上，通过与阈值进行比较，如果传递熵值大于阈值则判定两个节点之间存在通联关系。
总结来看，协作式拓扑推断的相关方法无法应用于加密网络，已有的相关非协作式拓扑推断方法大多存在推断时间长，准确率对人为设定的阈值敏感的问题。
发明内容
为解决上述技术问题，本发明提出了一种基于时间序列分析的网络拓扑推断方法与装置，所述方法与装置，用以解决不接入网络、不解析信息内容情况下的拓扑推断的技术问题。
根据本发明的第一方面，提供一种基于时间序列分析的网络拓扑推断方法，所述方法包括以下步骤：
步骤S101：获取信息数据，将所述信息数据以时间序列进行表征；
步骤S102：根据表征结果，对各节点进行排序，并按照排序次序将各节点对应的时间序列进行拼接；
步骤S103：对拼接后的时间序列进行分段近似聚合；
步骤S104：使用格拉姆角差场算法对分段近似聚合后的时间序列进行编码，构建类格拉姆矩阵；
步骤S105：根据所述类格拉姆矩阵，对网络进行拓扑推断。
根据本发明第二方面，提供一种基于时间序列分析的网络拓扑推断装置，所述装置包括：
表征模块：配置为获取信息数据，将所述信息数据以时间序列进行表征；
拼接模块：配置为根据表征结果，对各节点进行排序，并按照排序次序将各节点对应的时间序列进行拼接；
聚合模块：配置为对拼接后的时间序列进行分段近似聚合；
编码模块：配置为使用格拉姆角差场算法对分段近似聚合后的时间序列进行编码，构建类格拉姆矩阵；
拓扑推断模块：配置为根据所述类格拉姆矩阵，对网络进行拓扑推断。
根据本发明第三方面，提供一种基于时间序列分析的网络拓扑推断系统，包括：
处理器，用于执行多条指令；
存储器，用于存储多条指令；
其中，所述多条指令，用于由所述存储器存储，并由所述处理器加载并执行如前所述的基于时间序列分析的网络拓扑推断方法。
根据本发明第四方面，提供一种计算机可读存储介质，所述存储介质中存储有多条指令；所述多条指令，用于由处理器加载并执行如前所述的基于时间序列分析的网络拓扑推断方法。
根据本发明的上述方案，能够在不接入网络、不解析信息内容的情况下实现对网络拓扑的推断。
上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，并可依照说明书的内容予以实施，以下以本发明的较佳实施例并配合附图详细说明如后。
附图说明
构成本发明的一部分的附图用来提供对本发明的进一步理解，本发明提供如下附图进行说明。在附图中：
图1为本发明一个实施方式的基于时间序列分析的网络拓扑推断方法流程图；
图2为本发明一个实施方式的基于时间序列分析的网络拓扑推断装置结构示意图。
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，下面将结合本发明具体实施例及相应的附图对本发明技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
定义：
网络：由一组无线通信节点组成的多跳、无中心、自组织的无线网络，又称为多跳网、无基础设施网或自组织网。具有很强的抗摧毁性和自组性，应用广泛。
网络拓扑：由网络中节点及节点间链路组成的集合。
KNN：K-Nearest Neighbor，K最近邻
SNMP：Simple Network Management Protocol，简单网络管理协议
ICMP：Internet Control Message Protocol，互联网控制报文协议
ARP：Address Resolution Protocol，地址解析协议
RIP：Routing Information Protocol，路由信息协议
OSPF：Open Shortest Path First Protocol，开放最短路径优先协议
AODV：Ad hoc On-Demand Distance Vector Routing，Ad Hoc 按需距离矢量路由
ARQ：Automatic Repeat Request，自动重发请求
ACK：acknowledgement，确认
GADF：Gramian Difference Angular Field，格拉姆角差场
CBR：Constant Bit Rate，恒定比特率
首先结合图1说明为本发明一个实施方式的基于时间序列分析的网络拓扑推断方法流程图。如图1所示，所述方法包括以下步骤：
步骤S101：获取被侦测目标的信息数据，将所述信息数据以时间序列进行表征；
步骤S102：根据表征结果，对各被侦测目标节点进行排序，并按照排序次序将各节点对应的时间序列进行拼接；
步骤S103：对拼接后的时间序列进行分段近似聚合；
步骤S104：使用格拉姆角差场算法对分段近似聚合后的时间序列进行编码，构建类格拉姆矩阵；
步骤S105：根据所述类格拉姆矩阵，对网络进行拓扑推断。
所述步骤S101：获取信息数据，将所述信息数据以时间序列进行表征，包括：
获取信息数据，设定采样时间间隔，所述信息数据包括被侦测目标的信号的发送时刻和持续时长，对所述信息数据进行分析，若在采样间隔内接收到被侦测目标节点发送了信号，则该采样间隔对应的时间序列中的值为1，否则为0。
所述步骤S102：根据表征结果，对各被侦测目标节点进行排序，并按照排序次序将各节点对应的时间序列进行拼接，包括：
所述信息数据的时间序列的表征方式是0和1组成的序列，将各节点首次出现1的时间进行比较，即按照1出现的时间对节点进行排序，1出现的早的节点排在前面；按照排序次序将各节点对应的时间序列进行拼接。
也就是说，对不同节点对应的时间序列进行拼接，在拼接过程中对于两个不同的节点，将1出现时间早的时间序列置于前端，另一节点的时间序列接在后面。
所述步骤S103：对拼接后的时间序列进行分段近似聚合，包括：
对于一个包含n个观测值的时间序列T，T={t 1 ,t 2 ,…,t n }，使用N d 表示时间序列被处理后得到的最终维数；设定压缩率ψ用于表示原始时间序列的长度与其分段聚合后的长度之比，ψ的计算公式如下：
使用
表示时间序列T压缩后得到的结果，T ψ中第r个元素
对应的计算公式如下：
其中，t j 为T中的第j个元素，
在分段近似聚合的基础上，将T ψ中元素归一化到[-1,1]区间内，得到集合
，
，其中，
为聚合结果归一化后集合
中的第i个元素，
的计算公式为：
本实施例中，对时间序列进行分段近似聚合，按照设定时间间隔对拼接后的时间序列进行分段，求取分段时间序列的均值大小。
步骤S104：使用格拉姆角差场算法对分段近似聚合后的时间序列进行编码，构建类格拉姆矩阵，包括：
根据归一化的结果，将分段近似聚合后的时间序列
从笛卡尔坐标系转换到极坐标系，将缩放后得到的数值
编码为角度
，且存在
，将
对应的时间戳t i ’ 编码为半径r i ，坐标变换公式如下：
其中，t i ’ 是时间序列中第i个元素对应的时间戳，
是对极坐标系统生成空间进行正则化的常数因子，
为常数集合；
利用格拉姆角差场算法对分段近似聚合后的时间序列进行编码并构建类格拉姆矩阵，其计算公式如下：
其中，G为编码得到的类格拉姆矩阵，
为
对应的角度值大小，
为
对应的角度值大小，
是
的平方操作，I是单位行向量[1,1,…,1]，
是
的转置操作，
为
的转置向量。
本实施例中，将分段近似聚合后的时间序列从笛卡尔坐标系转到极坐标系，求取聚合值之间角度差的正弦值，即完成时间序列的编码，进而根据正弦值构建类格拉姆矩阵。
所述步骤S105：根据所述类格拉姆矩阵，对网络进行拓扑推断，包括：
根据节点之间是否存在连接为每个节点形成一个类格拉姆矩阵，并为每个类格拉姆矩阵中的元素增加标签，节点对之间存在连接关系，则类格拉姆矩阵中代表该节点对的元素对应的标签为1，否则为0；
在标签数据构建的基础上，使用K最近邻算法进行判定，使用余弦相似度来衡量样本之间的相似性，余弦相似度的计算公式为：
其中P为已训练好模型中的一个序列，p k 为P中第k个元素，P ’ 为待判定序列，p ’ k 为P ’ 中第k个元素；
本实施例中，在使用类格拉姆矩阵进行比较的过程中，需要对两个矩阵中相同位置的元素进行比较。
在样本相似度求取得基础上，根据样本相似性找出相似度最高的K个训练样本作为待分类样本的K个近邻，再根据K个近邻采用投票策略实现对待分类样本类型的判定，判定待分类样本对应的两个节点之间是否存在通联关系，根据判定结果和节点位置信息完成拓扑推断结果的输出。
本实施例中，根据节点之间是否存在通联关系为不同节点对形成的类格拉姆矩阵增加标签，即节点对之间存在通联关系则其对应的标签为1，否则为0。根据标签数据对K最近邻算法中的分类模型进行训练，当模型训练完成后，对待测数据进行判定，根据判定结果和节点位置信息完成拓扑推断结果的输出。
该基于时间序列分析的网络拓扑推断方法的技术效果通过使用EXata软件搭建的仿真环境进行实验的方法进行验证：
步骤1搭建场景：使用EXata软件搭建实验场景；
步骤2配置基本参数：在场景中使用随机部署模型随机部署100个节点，相关参数如表1所示。
表 1
根据相关参数设置在使用训练集完成模型训练的基础上，对网络拓扑进行推断，得到的拓扑推断结果。
使用精确率Pre对推断结果进行评价，其计算公式为：
其中TP为网络中存在的链路被判定为存在的链路数量，FP为将网络中不存在的链路判定为存在的数量。
得到拓扑推断的精确率为93.13%。
本发明实施例进一步给出一种基于时间序列分析的网络拓扑推断装置，如图2所示，所述装置包括：
表征模块：配置为获取信息数据，将所述信息数据以时间序列进行表征；
拼接模块：配置为根据表征结果，对各节点进行排序，并按照排序次序将各节点对应的时间序列进行拼接；
聚合模块：配置为对拼接后的时间序列进行分段近似聚合；
编码模块：配置为使用格拉姆角差场算法对分段近似聚合后的时间序列进行编码，构建类格拉姆矩阵；
拓扑推断模块：配置为根据所述类格拉姆矩阵，对网络进行拓扑推断。
本发明实施例进一步给出一种基于时间序列分析的网络拓扑推断系统，包括：
处理器，用于执行多条指令；
存储器，用于存储多条指令；
其中，所述多条指令，用于由所述存储器存储，并由所述处理器加载并执行如前所述的基于时间序列分析的网络拓扑推断方法。
本发明实施例进一步给出一种计算机可读存储介质，所述存储介质中存储有多条指令；所述多条指令，用于由处理器加载并执行如前所述的基于时间序列分析的网络拓扑推断方法。
需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
在本发明所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
上述以软件功能单元的形式实现的集成的单元，可以存储在一个计算机可读取存储介质中。上述软件功能单元存储在一个存储介质中，包括若干指令用以使得一台计算机装置(可以是个人计算机，实体机服务器，或者网络云服务器等，需安装Windows或者Windows Server操作系统)执行本发明各个实施例所述方法的部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(RandomAccess Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，仅是本发明的较佳实施例而已，并非对本发明作任何形式上的限制，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰，均仍属于本发明技术方案的范围内。
Claims (4)
1.一种基于时间序列分析的网络拓扑推断方法，其特征在于，包括以下步骤：
步骤S101：获取信息数据，将所述信息数据以时间序列进行表征；
步骤S102：根据表征结果，对各节点进行排序，并按照排序次序将各节点对应的时间序列进行拼接；
步骤S103：对拼接后的时间序列进行分段近似聚合；
步骤S104：使用格拉姆角差场算法对分段近似聚合后的时间序列进行编码，构建类格拉姆矩阵；
步骤S105：根据所述类格拉姆矩阵，对网络进行拓扑推断；
所述步骤S101：获取信息数据，将所述信息数据以时间序列进行表征，包括：
获取信息数据，设定采样时间间隔，对所述信息数据进行分析，若在采样间隔内有信号发送，则该采样间隔对应的时间序列中的值为1，否则为0；
所述步骤S102：根据表征结果，对各节点进行排序，并按照排序次序将各节点对应的时间序列进行拼接，包括：
所述信息数据的时间序列的表征方式是0和1组成的序列，将各节点首次出现1的时间进行比较，即按照1出现的时间对节点进行排序，1出现的早的节点排在前面；按照排序次序将各节点对应的时间序列进行拼接；
所述步骤S103：对拼接后的时间序列进行分段近似聚合，包括：
对于一个包含n个观测值的时间序列T，T={t 1 ,t 2 ,…,t n }，使用N d 表示时间序列被处理后得到的最终维数；设定压缩率ψ用于表示原始时间序列的长度与其分段聚合后的长度之比，ψ的计算公式如下：
使用
表示时间序列T压缩后得到的结果，T ψ中第r个元素
对应的计算公式如下：
其中，t j 为T中的第j个元素；
在分段近似聚合的基础上，将T ψ中元素归一化到[-1,1]区间内，得到集合
，
，其中，
为聚合结果归一化后集合
中的第i个元素，
的计算公式为：
步骤S104：使用格拉姆角差场算法对分段近似聚合后的时间序列进行编码，构建类格拉姆矩阵，包括：
根据归一化的结果，将分段近似聚合后的时间序列
从笛卡尔坐标系转换到极坐标系，将缩放后得到的数值
编码为角度
，且存在
，将
对应的时间戳t i ’ 编码为半径r i ，坐标变换公式如下：
其中，t i ’ 是时间序列中第i个元素对应的时间戳，
是对极坐标系统生成空间进行正则化的常数因子，
为常数集合；
利用格拉姆角差场算法对分段近似聚合后的时间序列进行编码构建类格拉姆矩阵，其计算公式如下：
其中，G为编码得到的类格拉姆矩阵，
为
对应的角度值大小，
为
对应的角度值大小，
是
的平方操作，I是单位行向量[1,1,…,1]，
是
的转置操作，
为
的转置向量；
所述步骤S105：根据所述类格拉姆矩阵，对网络进行拓扑推断，包括：
根据节点之间是否存在通联关系为不同节点对形成的类格拉姆矩阵增加标签，即节点对之间存在通联关系则其对应的标签为1，否则为0；
在标签数据构建的基础上，使用K最近邻算法进行判定，使用余弦相似度来衡量样本之间的相似性，余弦相似度的计算公式为：
其中P为已训练好模型中的一个序列，p k 为P中第k个元素，P ’ 为待判定序列，p ’ k 为P ’ 中第k个元素；
在样本相似度求取得基础上，根据样本相似性找出相似度最高的K个训练样本作为待分类样本的K个近邻，再根据K个近邻采用投票策略实现对待分类样本类型的判定，判定待分类样本对应的两个节点之间是否存在通联关系，根据判定结果和节点位置信息完成拓扑推断结果的输出。
2.一种基于时间序列分析的网络拓扑推断装置，其特征在于，所述装置包括：
表征模块：配置为获取信息数据，将所述信息数据以时间序列进行表征；
拼接模块：配置为根据表征结果，对各节点进行排序，并按照排序次序将各节点对应的时间序列进行拼接；
聚合模块：配置为对拼接后的时间序列进行分段近似聚合；
编码模块：配置为使用格拉姆角差场算法对分段近似聚合后的时间序列进行编码，构建类格拉姆矩阵；
拓扑推断模块：配置为根据所述类格拉姆矩阵，对网络进行拓扑推断；
所述表征模块，包括：
获取子模块：配置为获取信息数据，设定采样时间间隔，对所述信息数据进行分析，若在采样间隔内有信号发送，则该采样间隔对应的时间序列中的值为1，否则为0；
所述拼接模块，包括：
拼接子模块，配置为所述信息数据的时间序列的表征方式是0和1组成的序列，将各节点首次出现1的时间进行比较，即按照1出现的时间对节点进行排序，1出现的早的节点排在前面；按照排序次序将各节点对应的时间序列进行拼接；
所述聚合模块，包括：
压缩子模块，配置为对于一个包含n个观测值的时间序列T，T={t 1 ,t 2 ,…,t n }，使用N d 表示时间序列被处理后得到的最终维数；设定压缩率ψ用于表示原始时间序列的长度与其分段聚合后的长度之比，ψ的计算公式如下：
使用
表示时间序列T压缩后得到的结果，T ψ中第r个元素
对应的计算公式如下：
其中，t j 为T中的第j个元素；
在分段近似聚合的基础上，将T ψ中元素归一化到[-1,1]区间内，得到集合
，
，其中，
为聚合结果归一化后集合
中的第i个元素，
的计算公式为：
所述编码模块，包括：
转换子模块：配置为根据归一化的结果，将分段近似聚合后的时间序列
从笛卡尔坐标系转换到极坐标系，将缩放后得到的数值
编码为角度
，且存在
，将
对应的时间戳t i ’ 编码为半径r i ，坐标变换公式如下：
其中，t i ’ 是时间序列中第i个元素对应的时间戳，
是对极坐标系统生成空间进行正则化的常数因子，
为常数集合；
矩阵构建子模块：配置为利用格拉姆角差场算法对分段近似聚合后的时间序列进行编码构建类格拉姆矩阵，其计算公式如下：
其中，G为编码得到的类格拉姆矩阵，
为
对应的角度值大小，
为
对应的角度值大小，
是
的平方操作，I是单位行向量[1,1,…,1]，
是
的转置操作，
为
的转置向量；
所述拓扑推断模块，包括：
标记子模块：配置为根据节点之间是否存在通联关系为不同节点对形成的类格拉姆矩阵增加标签，即节点对之间存在通联关系则其对应的标签为1，否则为0；
余弦计算子模块：配置为在标签数据构建的基础上，使用K最近邻算法进行判定，使用余弦相似度来衡量样本之间的相似性，余弦相似度的计算公式为：
其中P为已训练好模型中的一个序列，p k 为P中第k个元素，P ’ 为待判定序列，p ’ k 为P ’ 中第k个元素；
推断子模块：配置为在样本相似度求取得基础上，根据样本相似性找出相似度最高的K个训练样本作为待分类样本的K个近邻，再根据K个近邻采用投票策略实现对待分类样本类型的判定，判定待分类样本对应的两个节点之间是否存在通联关系，根据判定结果和节点位置信息完成拓扑推断结果的输出。
3.一种基于时间序列分析的网络拓扑推断系统，其特征在于，包括：
处理器，用于执行多条指令；
存储器，用于存储多条指令；
其中，所述多条指令，用于由所述存储器存储，并由所述处理器加载并执行如权利要求1所述的基于时间序列分析的网络拓扑推断方法。
4.一种计算机可读存储介质，其特征在于，所述存储介质中存储有多条指令；所述多条指令，用于由处理器加载并执行如权利要求1所述的基于时间序列分析的网络拓扑推断方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111036139.8A CN113489619B (zh) | 2021-09-06 | 2021-09-06 | 一种基于时间序列分析的网络拓扑推断方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111036139.8A CN113489619B (zh) | 2021-09-06 | 2021-09-06 | 一种基于时间序列分析的网络拓扑推断方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113489619A CN113489619A (zh) | 2021-10-08 |
| CN113489619B true CN113489619B (zh) | 2021-11-19 |
Family
ID=77947193
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111036139.8A Active CN113489619B (zh) | 2021-09-06 | 2021-09-06 | 一种基于时间序列分析的网络拓扑推断方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113489619B (zh) |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114285754B (zh) * | 2021-12-27 | 2023-05-12 | 中国联合网络通信集团有限公司 | 一种网络拓扑的生成方法、装置、设备及存储介质 |
| CN114912338B (zh) * | 2022-03-07 | 2024-07-09 | 天津大学 | 一种基于两阶段特征选择和格拉姆角场的拓扑辨识方法 |
| CN115022186B (zh) * | 2022-06-27 | 2023-05-12 | 中国联合网络通信集团有限公司 | 一种拓扑生成方法、装置及存储介质 |
| CN114826933B (zh) * | 2022-06-29 | 2022-09-09 | 中国人民解放军国防科技大学 | 一种基于节点位置未知的非协作式拓扑推断方法 |
| CN115396320B (zh) * | 2022-08-10 | 2023-07-28 | 中国联合网络通信集团有限公司 | 端口连接关系的确定方法、装置、设备及存储介质 |
| CN116094952B (zh) * | 2023-01-04 | 2024-05-14 | 中国联合网络通信集团有限公司 | 网络结构相似度的确定方法、装置、设备以及存储介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5926462A (en) * | 1995-11-16 | 1999-07-20 | Loran Network Systems, Llc | Method of determining topology of a network of objects which compares the similarity of the traffic sequences/volumes of a pair of devices |
| CN103326904A (zh) * | 2013-07-12 | 2013-09-25 | 中国人民解放军理工大学 | 一种基于多参数认知的快速网络拓扑推断方法 |
| CN107463604A (zh) * | 2017-06-19 | 2017-12-12 | 天津科技大学 | 一种基于重要点的时间序列固定分段算法 |
| CN110995643A (zh) * | 2019-10-10 | 2020-04-10 | 中国人民解放军国防科技大学 | 一种基于邮件数据分析的异常用户识别方法 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20040136379A1 (en) * | 2001-03-13 | 2004-07-15 | Liao Raymond R | Method and apparatus for allocation of resources |
| JP6225259B2 (ja) * | 2013-08-14 | 2017-11-01 | アイセンス アーゲー | データ点のストリーム内で平滑化されたデータ点を判定する方法及び装置 |
| WO2019053588A1 (en) * | 2017-09-12 | 2019-03-21 | Depsys Sa | METHOD OF ESTIMATING THE TOPOLOGY OF AN ELECTRICAL NETWORK USING MEASUREMENT DATA |
| CN108958801B (zh) * | 2017-10-30 | 2021-06-25 | 上海寒武纪信息科技有限公司 | 神经网络处理器及使用处理器执行向量最大值指令的方法 |
| CN112182499B (zh) * | 2020-10-23 | 2022-10-14 | 国网天津市电力公司 | 一种基于时序电量数据的低压配电网拓扑结构辨识方法 |
-
2021
- 2021-09-06 CN CN202111036139.8A patent/CN113489619B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5926462A (en) * | 1995-11-16 | 1999-07-20 | Loran Network Systems, Llc | Method of determining topology of a network of objects which compares the similarity of the traffic sequences/volumes of a pair of devices |
| CN103326904A (zh) * | 2013-07-12 | 2013-09-25 | 中国人民解放军理工大学 | 一种基于多参数认知的快速网络拓扑推断方法 |
| CN107463604A (zh) * | 2017-06-19 | 2017-12-12 | 天津科技大学 | 一种基于重要点的时间序列固定分段算法 |
| CN110995643A (zh) * | 2019-10-10 | 2020-04-10 | 中国人民解放军国防科技大学 | 一种基于邮件数据分析的异常用户识别方法 |
Non-Patent Citations (2)
| Title |
|---|
| Interference Sources Localization and Communication Relationship Inference With Cognitive Radio IoT Networks;ZHAO NIU;《IEEE》;20200601;全文 * |
| 基于帧间隔的CSMA/CA无线网络拓扑推断技术;李盛祥等;《信息工程大学学报》;20190415(第02期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113489619A (zh) | 2021-10-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113489619B (zh) | 一种基于时间序列分析的网络拓扑推断方法及装置 | |
| CN111935170B (zh) | 一种网络异常流量检测方法、装置及设备 | |
| CN112235264A (zh) | 一种基于深度迁移学习的网络流量识别方法及装置 | |
| CN113206860B (zh) | 一种基于机器学习和特征选择的DRDoS攻击检测方法 | |
| CN112165484B (zh) | 基于深度学习与侧信道分析的网络加密流量识别方法装置 | |
| CN115277102B (zh) | 网络攻击检测方法、装置、电子设备及存储介质 | |
| CN111866024A (zh) | 一种网络加密流量识别方法及装置 | |
| CN111181923A (zh) | 流量检测方法、装置、电子设备及存储介质 | |
| CN109698798B (zh) | 一种应用的识别方法、装置、服务器和存储介质 | |
| CN113452676A (zh) | 一种检测器分配方法和物联网检测系统 | |
| CN111835681A (zh) | 一种大规模流量异常主机检测方法和装置 | |
| CN112235154A (zh) | 基于物联网的数据处理方法、系统、装置及介质 | |
| CN111291078B (zh) | 一种域名匹配检测方法及装置 | |
| CN112235254A (zh) | 一种高速主干网中Tor网桥的快速识别方法 | |
| US20230106935A1 (en) | Network probe placement optimization | |
| CN116405261A (zh) | 基于深度学习的恶意流量检测方法、系统及存储介质 | |
| CN113726809B (zh) | 基于流量数据的物联网设备识别方法 | |
| CN114362972B (zh) | 一种基于流量摘要和图采样的僵尸网络混合检测方法及系统 | |
| CN114900835A (zh) | 恶意流量智能检测方法、装置及存储介质 | |
| CN110149331B (zh) | 一种P2P botnet检测方法、装置和介质 | |
| Kharkwal et al. | Cross-layer DoS attack detection technique for internet of things | |
| CN114726801B (zh) | 一种加密流量的转发方法和系统 | |
| CN115714717B (zh) | 一种基于流量特征的物联网终端通信链路故障定位方法 | |
| CN115333864B (zh) | 一种工控漏洞扫描方法及系统 | |
| CN117768165B (zh) | 网络异常检测方法、装置、计算机设备及存储介质 |
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 |