CN114710427B - 一种基于以太网技术的局域网链路性能测试方法 - Google Patents

一种基于以太网技术的局域网链路性能测试方法 Download PDF

Info

Publication number
CN114710427B
CN114710427B CN202210626864.9A CN202210626864A CN114710427B CN 114710427 B CN114710427 B CN 114710427B CN 202210626864 A CN202210626864 A CN 202210626864A CN 114710427 B CN114710427 B CN 114710427B
Authority
CN
China
Prior art keywords
sub
network
layer
subnet
link
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
Application number
CN202210626864.9A
Other languages
English (en)
Other versions
CN114710427A (zh
Inventor
刘浩
郝健
李宁宁
王红梅
田立华
李呈宁
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.)
Shandong Zhuolang Testing Co ltd
Original Assignee
Shandong Zhuolang Testing Co ltd
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 Shandong Zhuolang Testing Co ltd filed Critical Shandong Zhuolang Testing Co ltd
Priority to CN202210626864.9A priority Critical patent/CN114710427B/zh
Publication of CN114710427A publication Critical patent/CN114710427A/zh
Application granted granted Critical
Publication of CN114710427B publication Critical patent/CN114710427B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • 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
    • 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
    • H04L43/0852—Delays
    • H04L43/087—Jitter
    • 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

本发明涉及数据处理技术领域，具体涉及一种基于以太网技术的局域网链路性能测试方法。该方法首先获取主机上行接口的突发流量和抖动分布；分别根据相邻层子网中各主机间突发流量和抖动分布的相似度得到第一关联矩阵和第二关联矩阵；合并且降维第一关联矩阵和第二关联矩阵得到对应的低维向量；基于子网层间低维向量的特征差异，对子网层进行匹配得到多个子网链路，获取子网链路的全局代价损失；根据子网链路的全局代价损失的变化得到可疑链路，自可疑链路处进行排查测试。本发明实施例通过获取得到多个子网链路的全局代价损失变化得到可疑链路，自可疑链路处进行性能检测提高了业务响应速度，实现了及时发现链路性能异常的目的。

Description

一种基于以太网技术的局域网链路性能测试方法
技术领域
本发明涉及数据处理技术领域，具体涉及一种基于以太网技术的局域网链路性能测试方法。
背景技术
快速发展的多媒体业务拥有巨大的商业空间，其中，在软件定义的局域网中，计算机之间的连接通常呈点对点，即一种多机热备的高可用形态，一个数据资源自源主机发送到出口网络会经历多个路由的数据转发。对于一个业务来说，数据的发送及转发链路的方式是固定的，即该业务性能取决于数据每一条的链路性能。
目前，在复杂的局域网环境中对于局域网链路性能的测试方法，其人工分析的工作量大，所需的分析时效长，导致不能及时发现链路性能异常。
发明内容
为了解决上述技术问题，本发明的目的在于提供一种基于以太网技术的局域网链路性能测试方法，所采用的技术方案具体如下：
获取每层子网中所有主机的上行接口的突发流量和抖动分布；其中，一种计算网络结构，由多层子网组成，每层子网之间的关系属于级联的转发关系，每层子网中含有固定数量的主机；所述上行接口位于整个转发链路的终端，能够向两个方向发送：信息由出口向深层子网传输，信息由深层子网向出口传输，所述上行接口为主机向任意节点发送数据的端口，上行是主机向外发送而非接收；
选取任意层子网作为目标层子网，计算所述目标层子网和相邻的上下两层子网的各主机之间突发流量的相似度得到第一关联矩阵；计算所述目标层子网和相邻的上下两层子网的各主机之间抖动分布的相似度得到第二关联矩阵；
分别展开所述第一关联矩阵和所述第二关联矩阵到一维向量，将展开后的所述第一关联矩阵和所述第二关联矩阵合并为一个高维向量；对所述高维向量进行降维得到低维向量；
计算任意层子网和对应的下层子网之间的低维向量的特征差异；基于所述特征差异，利用K-M算法对子网层进行匹配，得到多个子网链路，获取子网链路的全局代价损失；根据子网链路的全局代价损失的变化得到可疑链路，自所述可疑链路处进行排查测试；
其中，基于所述特征差异，利用K-M算法对子网层进行匹配，得到多个子网链路的获取方法为：
基于各层子网之间低维向量的特征差异，构建特征差异直方图；基于所述特征差异直方图，利用大津阈值分割法计算合并终止阈值；基于特征差异计算子网层之间的匹配距离；基于所述匹配距离利用K-M算法匹配子网层，当前子网与下层子网之间的匹配距离小于等于所述合并终止阈值时继续进行匹配，直至当前子网与下层子网之间的匹配距离大于所述合并终止阈值时，停止当前子网和下层子网的匹配，得到子网链路；
其中，所述匹配距离的计算公式为：
Figure DEST_PATH_IMAGE002
其中，
Figure DEST_PATH_IMAGE004
为第p层子网和第q层子网之间的匹配距离；
Figure DEST_PATH_IMAGE006
为第p层子网的低维向量；
Figure DEST_PATH_IMAGE008
为第q层子网的低维向量；
Figure DEST_PATH_IMAGE010
为第p层子网的层数；
Figure DEST_PATH_IMAGE012
为第q层子网的层数；
Figure DEST_PATH_IMAGE014
为子网系数；
Figure DEST_PATH_IMAGE016
为低维向量
Figure 692343DEST_PATH_IMAGE006
和低维向量
Figure 216866DEST_PATH_IMAGE008
的余弦相似度。
优选的，所述计算所述目标层子网和相邻的上下两层子网的各主机之间突发流量的相似度得到第一关联矩阵，包括：
计算目标层子网与对应的上层子网各主机之间突发流量的相似度作为第一关联函数；计算目标层子网与对应的下层子网各主机之间突发流量的相似度作为第二关联函数；由所述第一关联函数和所述第二关联函数构建第一关联矩阵。
优选的，所述计算所述目标层子网和相邻的上下两层子网的各主机之间抖动分布的相似度得到第二关联矩阵，包括：
计算目标层子网与对应的上层子网各主机之间抖动分布的相似度作为第三关联函数；计算目标层子网与对应的下层子网各主机之间抖动分布的相似度作为第四关联函数；由所述第三关联函数和所述第四关联函数构建第二关联矩阵。
优选的，所述对所述高维向量进行降维得到低维向量，包括：
使用基于高斯核函数的核主成分分析法对所述高维向量进行低维变换得到低维向量。
优选的，所述计算任意层子网和对应的下层子网之间的低维向量的特征差异为：所述特征差异为任意层子网和对应的下层子网之间的低维向量的余弦距离。
优选的，所述子网链路的全局代价损失的获取方法为：每条子网链路中主机之间对应的边权值的损失之和为全局代价损失。
优选的，所述根据子网链路的全局代价损失的变化得到可疑链路，自所述可疑链路处进行排查测试，包括：
获取同一子网链路相邻时间段内的全局代价损失，当后一时间段的全局代价损失比前一时间段的全局代价损失大时，从所述子网链路处进行内部排查检测。
本发明实施例至少具有如下有益效果：
本发明实施例利用数据处理技术。该方法首先获取每层子网中所有主机的上行接口的突发流量和抖动分布；选取任意层子网作为目标层子网，计算目标层子网和相邻的上下两层子网的各主机之间突发流量的相似度得到第一关联矩阵；计算目标层子网和相邻的上下两层子网的各主机之间抖动分布的相似度得到第二关联矩阵；分别展开第一关联矩阵和第二关联矩阵到一维向量，将展开后的第一关联矩阵和第二关联矩阵合并为一个高维向量；对高维向量进行降维得到低维向量；计算任意层子网和对应的下层子网之间的低维向量的特征差异，构建特征差异直方图；基于特征差异直方图，利用大津阈值分割法计算合并终止阈值；基于合并终止阈值，利用K-M算法对子网层进行匹配，得到多个子网链路，获取子网链路的全局代价损失；根据子网链路的全局代价损失的变化得到可疑链路，自可疑链路处进行排查测试。本发明实施例通过获取的子网中主机的上行接口的突发流量和抖动分布的特征变化情况对子网之间进行分析，并匹配得到多个子网链路，根据子网链路的全局代价损失变化得到可疑链路，自可疑链路处进行性能检测提高了业务响应速度，以更快更方便地发现异常变化的原因。实现了及时发现链路性能异常和性能瓶颈，降低人工分析的工作量的目的。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。
图1为本发明一个实施例所提供的一种基于以太网技术的局域网链路性能测试方法的方法流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种基于以太网技术的局域网链路性能测试方法，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
本发明实施例提供了一种基于以太网技术的局域网链路性能测试方法的具体实施方法，该方法适用于局域网链路性能测试场景。该场景下局域网由多层子网组成，每层子网中含有固定数量的主机。为了解决在复杂局域网环境下测试局域网链路性能时，人工分析的工作量大，且时效性差的问题。本发明实施例通过获取的子网中主机的上行接口的突发流量和抖动分布的特征变化情况对子网之间进行分析，并匹配得到多个子网链路，根据子网链路的全局代价损失变化得到可疑链路，自可疑链路处进行性能检测提高了业务响应速度，以更快更方便地发现异常变化的原因。实现了及时发现链路性能异常和性能瓶颈，降低人工分析的工作量的目的。
下面结合附图具体的说明本发明所提供的一种基于以太网技术的局域网链路性能测试方法的具体方案。
请参阅图1，其示出了本发明一个实施例提供的一种基于以太网技术的局域网链路性能测试方法的步骤流程图，该方法包括以下步骤：
步骤S100，获取每层子网中所有主机的上行接口的突发流量和抖动分布。
一种计算机网络结构，由多层子网组成，每层子网之间的关系属于级联的转发关系，每层子网中含有固定数量的主机，组成并发、热备的子集群。
该形态的计算机网络结构可存在于远距离传输的物联网环境和多级防火墙的工业物联网环境，从而构成一种链路冗余、支持多机并发的软件定义局域网。该局域网的特点是高冗余、能够融合不同网络环境的主机组成软件定义局域网链路，问题在于难以查找链路的性能异常。
基于主机的上行接口，采集主机上行接口的受力时的突发流量。其中，上行接口由于位于整个转发链路的中段，即能够向两个方向发送：信息由出口向深层子网传输，此时主机起到回传作用；信息由深层子网向出口传输，此时主机起到发送作用。其中，上行接口是指主机向任意节点发送数据的端口，也即通过访问对应上行接口的网卡控制器，可以统计得到流量数据。需要说明的是，上行的意思是主机向外发送而非接收。
基于一层子网中所有主机的上行接口进行负载测试，得到一层子网中向深层子网和向出口传输的流量的突发流量，也即得到每层子网中所有主机的上行接口的突发流量，构建突发流量矩阵
Figure DEST_PATH_IMAGE018
，其中，N为当前层子网的主机数量。
流量能够代表当前层子网向上及向下发送数据包的极限性能，也即链路极限性能。由于是软件定义局域网，用户数据报协议（UDP，User Datagram Protocol）、重传和校验所带来的计算负载较大，因此极限性能不但能反映真实的物理网卡性能，还能够反映主机作为软件定义局域网节点的真实性能。
进一步的，采集负载开始的时延抖动分布，构建各层子网的抖动分布矩阵
Figure DEST_PATH_IMAGE020
，其中，N为当前层子网的主机数量。
具体的：由主机上行接口的时延抖动得到平均的抖动分布，当出现网络链路的干扰时，大量数据负载会对主机上行接口产生堵塞现象，因此负载测试时会有时延的抖动产生。其时延的大小与负载的流量大小有关，当数据流量很大时，会导致主机的缓存被填满，因此会导致突发的突发延迟，但对于持续的数据传输来说，主机上行接口的抖动分布与流量大小相关性极低，主要与自身网络特性有关。
为了联合获取流量大小导致缓冲区填满而产生的时延抖动，以及链路自身传输过程中的抖动特性，对获得的所有抖动分布进行直方图统计处理。需要说明的是，抖动分布的计算以及直方图计算方式是本领域技术人员的公知技术。
基于直方图，将抖动分布数据分为10个等级，获取当前链路层内各主机在10个抖动分布等级的数量，构建N行10列的抖动分布数据，其中，N为当前层子网的主机数量。需要说明的是，链路层即为子网层。
抖动分布矩阵能够体现当前链路层所对应的主机性能、链路稳定性所导致的时延的分布特征。
步骤S200，选取任意层子网作为目标层子网，计算目标层子网和相邻的上下两层子网的各主机之间突发流量的相似度得到第一关联矩阵；计算目标层子网和相邻的上下两层子网的各主机之间抖动分布的相似度得到第二关联矩阵。
根据每层子网对应的突发流量矩阵和抖动分布矩阵计算出能够反映上下级子网环境特征的向量；其中上下级子网是指上一层上行接口-当前链路层上行接口-下一层上行接口构成的三元组网络。
选取任意层子网作为目标层子网，对目标层子网进行分析，其第i层对应的信息三元组分别为：抖动分布三元组
Figure DEST_PATH_IMAGE022
和突发流量三元组
Figure DEST_PATH_IMAGE024
；
在数据的传输过程中，若局域网多级链路的某一层子网的主机负载较大，则会导致数据校验速度下降，缓冲区产生堆积，所导致抖动是向下和向上分别影响和传递的。因此计算一层子网的上行接口在分布负载后，该链路层子网与上下级子网之间的抖动特征与网络特征的相似模式。
一般相邻层级的子网通常是同种设备型号和同种通信链路组成的软件定义局域网，如一个厂区的微波传输链路，在使用过程中微波链路会由于树叶遮挡、车辆行驶遮挡等情况造成吞吐量突发和骤降，时延分布不均等现象，故当一个局域网多级链路发生链路遇到暂时的干扰或性能发生衰减时，局域网多级链路的一层与上下级子网之间的相似程度可以作为网络强度特征上是否发生了层与层之间不同情况的判断依据。若在早期能够分析得到一部分局域网多级链路时处于同一种性能特征，则当多级链路之间中有性能特征发生改变时，意味着一层子网和上下层子网之间发生了属性上的不同，即为基于网络属性和载荷等综合转发链路因素导致的网络的差异，可进一步确定性能出现问题的主机。
对于目标层i，计算目标层子网和相邻的上下两层子网的各主机之间突发流量的相似度得到第一关联矩阵G。
首先，计算目标层子网与对应的上层子网各主机之间突发流量的相似度作为第一关联函数。
该第一关联函数
Figure DEST_PATH_IMAGE026
的计算公式为：
Figure DEST_PATH_IMAGE028
其中，
Figure 223392DEST_PATH_IMAGE026
为目标层子网i与第i+1层子网对应的第一关联函数；
Figure DEST_PATH_IMAGE030
为目标层子网i中第1个主机对应的突发流量；
Figure DEST_PATH_IMAGE032
为第i+1层子网中第1个主机对应的突发流量；
Figure DEST_PATH_IMAGE034
为目标层子网i中第2个主机对应的突发流量；
Figure DEST_PATH_IMAGE036
为第i+1层子网中第2个主机对应的突发流量；
Figure DEST_PATH_IMAGE038
为目标层子网i中第N个主机对应的突发流量；
Figure DEST_PATH_IMAGE040
为第i+1层子网中第N个主机对应的突发流量；cos()为余弦相似度函数。
计算目标层子网与对应的下层子网各主机之间突发流量的相似度作为第二关联函数。
该第二关联函数
Figure DEST_PATH_IMAGE042
的计算公式为：
Figure DEST_PATH_IMAGE044
其中，
Figure 537568DEST_PATH_IMAGE042
为目标层子网i与第i-1层子网对应的第一关联函数；
Figure 592112DEST_PATH_IMAGE030
为目标层子网i中第1个主机对应的突发流量；
Figure DEST_PATH_IMAGE046
为第i-1层子网中第1个主机对应的突发流量；
Figure 352782DEST_PATH_IMAGE034
为目标层子网i中第2个主机对应的突发流量；
Figure DEST_PATH_IMAGE048
为第i-1层子网中第2个主机对应的突发流量；
Figure 922303DEST_PATH_IMAGE038
为目标层子网i中第N个主机对应的突发流量；
Figure DEST_PATH_IMAGE050
为第i-1层子网中第N个主机对应的突发流量；cos()为余弦相似度函数。
该第一关联函数和第二关联函数是用于分析该目标层子网与上下层子网对应主机的链路品质是否相似。该链路层与上下级相邻两层子网的对应主机的相似度的关系特征用第一关联矩阵表示，其中，第一关联矩阵由第一关联函数和第二关联函数构成，也即由第一关联函数和第二关联函数构建第一关联矩阵。如目标层子网i，其对应的第一关联矩阵为：
Figure DEST_PATH_IMAGE052
。
进一步的，对于目标层子网i，计算目标层子网和相邻的上下两层子网的各主机之间抖动分布的相似度得到第二关联矩阵F。
计算目标层子网与对应的上层子网各主机之间抖动分布的相似度作为第三关联函数。
该第三关联函数
Figure DEST_PATH_IMAGE054
的计算公式为：
Figure DEST_PATH_IMAGE056
其中，
Figure 118798DEST_PATH_IMAGE054
为目标层子网i与第i+1层子网对应的第三关联函数；
Figure DEST_PATH_IMAGE058
为目标层子网i中第1个主机对应的抖动分布；
Figure DEST_PATH_IMAGE060
为第i+1层子网中第1个主机对应的抖动分布；
Figure DEST_PATH_IMAGE062
为目标层子网i中第2个主机对应的抖动分布；
Figure DEST_PATH_IMAGE064
为第i+1层子网中第2个主机对应的抖动分布；
Figure DEST_PATH_IMAGE066
为目标层子网i中第N个主机对应的抖动分布；
Figure DEST_PATH_IMAGE068
为第i+1层子网中第N个主机对应的抖动分布；cos()为余弦相似度函数。
计算目标层子网与对应的下层子网各主机之间抖动分布的相似度作为第四关联函数。
该第二关联函数
Figure DEST_PATH_IMAGE070
的计算公式为：
Figure DEST_PATH_IMAGE072
其中，
Figure 744294DEST_PATH_IMAGE070
为目标层子网i与第i-1层子网对应的第四关联函数；
Figure 610619DEST_PATH_IMAGE058
为目标层子网i中第1个主机对应的抖动分布；
Figure DEST_PATH_IMAGE074
为第i-1层子网中第1个主机对应的抖动分布；
Figure 667437DEST_PATH_IMAGE062
为目标层子网i中第2个主机对应的抖动分布；
Figure DEST_PATH_IMAGE076
为第i-1层子网中第2个主机对应的抖动分布；
Figure 936132DEST_PATH_IMAGE066
为目标层子网i中第N个主机对应的抖动分布；
Figure DEST_PATH_IMAGE078
为第i-1层子网中第N个主机对应的抖动分布；cos()为余弦相似度函数。
该第三关联函数和第四关联函数是用于分析该链路层与上下层子网对应主机的链路品质是否相似。该链路层与上下级相邻两层的对应主机的相似度的关系特征用第二关联矩阵表示，其中，第二关联矩阵由第三关联函数和第四关联函数构成，也即由第三关联函数和第四关联函数构建第二关联矩阵。如目标层子网i，其对应的第二关联矩阵为：
Figure DEST_PATH_IMAGE080
。
步骤S300，分别展开第一关联矩阵和第二关联矩阵到一维向量，将展开后的第一关联矩阵和第二关联矩阵合并为一个高维向量；对高维向量进行降维得到低维向量。
由于上下层子网环境能够反映子网之间的相对正常与否的特性，且受到使用条件和局域网多级链路载荷分布模式的影响，是一种包含过多可能性的高维数据。为了在特征空间中表示上下层子网环境的异同，将每层子网对应的矩阵进行处理。
分别展开每层子网对应的第一关联矩阵和第二关联矩阵到一维向量，将展开后的第一关联矩阵和第二关联矩阵合并为一个高维向量。如对于目标层子网i，展开对应的第一关联矩阵
Figure DEST_PATH_IMAGE082
和第二关联矩阵
Figure DEST_PATH_IMAGE084
到一维向量，展开后的第一关联矩阵对应的一维向量和第二关联矩阵对应的二维向量合并为一个维度为
Figure DEST_PATH_IMAGE086
的高维向量。该高维向量为反映了上下层子网环境特征的向量。
该高维向量的作用是按照网络主机展开成一个高维向量。由于部分抖动转发链路特征可能在整个局域网多级链路中是十分相似的，该部分信息会影响局域网多级链路性能的分析精度。由于子网的载荷是能够通过分载形式分散到下层子网的，且分载形式收到较大的载荷的主机影响。因此高维向量之间包含了数据的线性相互作用关系，通过诸如主成分分析的方法可以对该特征向量进行降维处理。基于一个高维向量空间，在这个向量空间中，属于同一特征的不同层子网在高维向量空间中分布紧密，也即向量的余弦夹角小，属于不同特征的不同层子网在高维向量中分布较远，也即向量的余弦夹角大。
对得到的反映了上下层子网环境特征的高维向量进行降维。由于得到的高维向量的样本维度过高，且展开平铺后无法体现上下层关系和网络关系，采集的反映环境特征的高维向量在高维的情况下会出现样本稀疏、距离计算困难或者容易过拟合等一系列精度和歧义问题。
考虑到环境特征变化时基于转发链路的负载和分载因素决定的，本质上在某个高维空间中有明确的依存关系，以及互斥关系，即近似于正交的关系，因此简化模型后反而有更强的鲁棒性。
进一步的，对得到的反映环境特征的高维向量进行降维，使用基于高斯核函数的核主成分分析法(KPCA)对得到的高维向量进行低维变换。具体的：
对得到的高维向量进行平铺，得到平铺矩阵，计算核矩阵的特征值与特征向量。将得到的特征值进行降序排列，选取特征值序列中的前E个特征值和对应的特征向量，其中，E为降维后的维数，在本发明实施例中将
Figure 739834DEST_PATH_IMAGE086
维的高维向量降维成7维向量，故降维后的维数E为7，在其他实施例中实施者可根据实际情况调整该维数取值。具体的：利用核矩阵和选取出的特征值、特征向量计算降维结果。需要说明的是，降维过程为本领域技术人员的公知技术。
将
Figure 42640DEST_PATH_IMAGE086
维的高维向量通过核主成分分析法降维到7维，得到了7维链路特征，降到7维后简化了后续的计算时间，同时去除了无关的数据特征，更加凸显局域网多级链路之间的网络影响关系，使得到的数据更加准确。每层对应一个低维向量。
步骤S400，计算任意层子网和对应的下层子网之间的低维向量的特征差异；基于特征差异，利用K-M算法对子网层进行匹配，得到多个子网链路，获取子网链路的全局代价损失；根据子网链路的全局代价损失的变化得到可疑链路，自可疑链路处进行排查测试。
基于低维向量，启发式合并各子网，组成网络链路。考虑了子网使用方式的整体网络特点，如厂区Wi-Fi网桥微波通信、城市道路4G通信等，对相关的相邻子网组成网络链路，从而按照不同的使用模式进行分析。
计算任意层子网和对应的下层子网之间的低维向量的特征差异。该特征差异为任意层子网和对应的下层子网之间的低维向量的余弦距离。
该特征差异
Figure DEST_PATH_IMAGE088
的计算公式为：
Figure DEST_PATH_IMAGE090
其中，
Figure DEST_PATH_IMAGE092
为第a层子网对应的低维向量；
Figure DEST_PATH_IMAGE094
为第b层子网对应的低维向量。
由于低维向量是高维向量降维至7维假设空间中的特征向量，因此计算时使用余弦距离方式进行计算，当余弦距离较大时，则认为两个子网之间的相似度很低，是局域网多级链路的载荷不同所引起的转发链路特性和传导特性不同导致的。由于相似度过低，因此用途上很难相似，例如办公区域为主的子网和带有机加工设备的子网，或者是酒店子网和库房子网。
由于链路存在缓冲区和重传机制，因此大部分时延是确定的，因此在特征差异的直方图分布上是一种双峰或多峰结构。
基于任意层子网和对应的下层子网之间的低维向量的特征差异，构建特征差异直方图。基于特征差异直方图，使用大津阈值分割法计算合并终止阈值。由于子网的使用模式是大致相似的，因此在特征差异，必然有一定的主体情况和随机情况，其中，主体情况为特征差异居多的情况，即较低特征差异的子网之间的情况居多。大津阈值分割法能够很好的基于主体效果确定最佳的分割阈值，使得局域网多级链子中子网的环境被分离为两种情况。
该合并终止阈值能够起到分割作用，在局域网多级链路网络中能够更好的自适应选择子网数，以分析子网的上下级子网关系和转发链路的影响关系。
进一步的，基于特征差异，利用K-M算法对子网层进行匹配，得到多个子网链路，自深层子网向出口匹配合并。
由于出口网络质量一般是较佳的，因此自深层子网为性能分析起始点，尝试将若干子网划分为一种通信链路。进行子网合并时要先确定向下合并的最少层数
Figure DEST_PATH_IMAGE096
和最多层数
Figure DEST_PATH_IMAGE098
，从而得到可控的链路最小规模。需要说明的是，最少层数和最多层数由实施者手动设置；如设置最少层数为2，最多层数为8，以代表一种基于多区域的，区域内的链路技术相似的局域网；或设置最少层数为2，最多层数为2，以代表一种含有大量未知网络链路的局域网。如一个写字子网的子网链路特征在上次合并时到达第m层，则自该链路层继续向下搜索合并，即使该链路层与下层子网的特征差异较大，依然向下开始构建新的链路，目的是为了在后面的K-M匹配环节令其与某层子网组成匹配对，从而影响整体的分配损失，当第m层在下次测试时发生某种转发链路或网络的变化，则该链路的分配损失会显著增大或恰好有某个子网与其特征相似，导致分配损失变小，起到启发式的提高灵敏度的作用。
从最高层开始向下添加子网，也即自深层子网开始向出口处合并添加子网，当达到最少层数时，计算下次添加的子网与当前子网的特征差异是否超过合并终止阈值。
基于特征差异计算子网层之间的匹配距离；基于匹配距离利用K-M算法匹配子网层，当前子网与下层子网之间的匹配距离小于等于合并终止阈值时继续进行匹配，直至当前子网与下层子网之间的匹配距离大于合并终止阈值时，停止当前子网和下层子网的匹配，得到子网链路。
进一步的，判断特征差异是否为奇数，若为奇数，则再向下添加一层子网，无论所添加的子网是什么用途，都能够在K-M匹配环节匹配子网链路，提高匹配子网链路的灵敏度。
计算子网链路中各层子网之间的匹配距离，并进一步的根据匹配结果得到子网链路的损失。
其中，该第p层子网和第q层子网之间的匹配距离
Figure 776634DEST_PATH_IMAGE004
的计算公式为：
Figure DEST_PATH_IMAGE002A
其中，
Figure 518194DEST_PATH_IMAGE006
为第p层子网的低维向量；
Figure 667415DEST_PATH_IMAGE008
为第q层子网的低维向量；
Figure 141122DEST_PATH_IMAGE016
为低维向量
Figure 375794DEST_PATH_IMAGE006
和低维向量
Figure 593149DEST_PATH_IMAGE008
的余弦相似度；
Figure 865386DEST_PATH_IMAGE010
为第p层子网的层数；
Figure 509994DEST_PATH_IMAGE012
为第q层子网的层数；
Figure 966383DEST_PATH_IMAGE014
为子网系数。在本发明实施例中子网系数的取值为10，在其他实施例中实施者可根据实际情况调整该取值。
其中，
Figure DEST_PATH_IMAGE100
为子网间隔损失系数，以避免较远的子网被匹配到一起，尽可能的考虑较近的子网。
由分配结果得到对应的子网链路的全局代价损失，也即利用K-M匹配对子网进行匹配得到多条子网链路之后，每条子网链路中各主机之间对应的边权值的损失之和为全局代价损失。当全局代价损失较大时，意味着子网及其上行接口的刚度网络变化较大，单次的分析不能得到任何局域网多级链路安全相关的结论，但随着时间推移和下次测试的结果，并结合时间变化，全局代价若变大，则认为局域网多级链路的转发链路特性发生了某种变化。如由8层子网组成的子网链路，其中子网链路的网桥通信子网有3个，窄带蜂窝网络为4个，光纤收发器为1个，则匹配结果本身可能较大，但负载测试时代价更大，反映了某个子网的使用特性和环境发生了变化，导致转发链路特征发生变化，从而匹配的结果上发生了变化，因而很可能是遇到了严重的性能瓶颈，才导致了局域网多级链路的载荷上影响了局域网多级链路的转发性能。
获取各链路的全局代价损失。
进一步的，根据子网链路的全局代价损失的变化得到可疑链路，并由可疑链路进行排查测试，具体的：当一个子网链路的全局代价损失在下次测试时增大，也即获取同一子网链路相邻时间段内的全局代价损失，当后一时间段的全局代价损失比前一时间段的全局代价损失大时，从子网链路进行内部排查检测。则意味着检修人员需要从局域网多级链路的链路内排查。实施者基于该网络链路内的最差匹配结果开始实地考察，从而降低人工工作量，提高业务响应速度，使得更快更方便的发现异常变化的原因。
综上所述，本发明实施例利用数据处理技术。该方法首先获取每层子网中所有主机的上行接口的突发流量和抖动分布；选取任意层子网作为目标层子网，计算目标层子网和相邻的上下两层子网的各主机之间突发流量的相似度得到第一关联矩阵；计算目标层子网和相邻的上下两层子网的各主机之间抖动分布的相似度得到第二关联矩阵；分别展开第一关联矩阵和第二关联矩阵到一维向量，将展开后的第一关联矩阵和第二关联矩阵合并为一个高维向量；对高维向量进行降维得到低维向量；计算任意层子网和对应的下层子网之间的低维向量的特征差异，构建特征差异直方图；基于特征差异直方图，利用大津阈值分割法计算合并终止阈值；基于合并终止阈值，利用K-M算法对子网层进行匹配，得到多个子网链路，获取子网链路的全局代价损失；根据子网链路的全局代价损失的变化得到可疑链路，自可疑链路处进行排查测试。本发明实施例通过获取的子网中主机的上行接口的突发流量和抖动分布的特征变化情况对子网之间进行分析，并匹配得到多个子网链路，根据子网链路的全局代价损失变化得到可疑链路，自可疑链路处进行性能检测提高了业务响应速度，以更快更方便地发现异常变化的原因。实现了及时发现链路性能异常和性能瓶颈，降低人工分析的工作量的目的。
需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。以上所述仅为本发明的较佳实施例，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、改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种基于以太网技术的局域网链路性能测试方法，其特征在于，该方法包括以下步骤：
获取每层子网中所有主机的上行接口的突发流量和抖动分布；其中，一种计算网络结构，由多层子网组成，每层子网之间的关系属于级联的转发关系，每层子网中含有固定数量的主机，组成并发、热备的子集群；所述上行接口位于整个转发链路的中段，能够向两个方向发送：信息由出口向深层子网传输，信息由深层子网向出口传输，所述上行接口是主机向任意节点发送数据的端口，上行的意思是主机向外发送而非接收；
选取任意层子网作为目标层子网，计算所述目标层子网和相邻的上下两层子网的各主机之间突发流量的相似度得到第一关联矩阵；计算所述目标层子网和相邻的上下两层子网的各主机之间抖动分布的相似度得到第二关联矩阵；
分别展开所述第一关联矩阵和所述第二关联矩阵到一维向量，将展开后的所述第一关联矩阵和所述第二关联矩阵合并为一个高维向量；对所述高维向量进行降维得到低维向量；
计算任意层子网和对应的下层子网之间的低维向量的特征差异；基于所述特征差异，利用K-M算法对子网层进行匹配，得到多个子网链路，获取子网链路的全局代价损失；根据子网链路的全局代价损失的变化得到可疑链路，自所述可疑链路处进行排查测试；
其中，基于所述特征差异，利用K-M算法对子网层进行匹配，得到多个子网链路的获取方法为：
基于各层子网之间低维向量的特征差异，构建特征差异直方图；基于所述特征差异直方图，利用大津阈值分割法计算合并终止阈值；基于特征差异计算子网层之间的匹配距离；基于所述匹配距离利用K-M算法匹配子网层，当前子网与下层子网之间的匹配距离小于等于所述合并终止阈值时继续进行匹配，直至当前子网与下层子网之间的匹配距离大于所述合并终止阈值时，停止当前子网和下层子网的匹配，得到子网链路；
其中，所述匹配距离的计算公式为：
Figure 920003DEST_PATH_IMAGE002
其中，
Figure DEST_PATH_IMAGE003
为第p层子网和第q层子网之间的匹配距离；
Figure 328594DEST_PATH_IMAGE004
为第p层子网的低维向量；
Figure DEST_PATH_IMAGE005
为第q层子网的低维向量；
Figure 815071DEST_PATH_IMAGE006
为第p层子网的层数；
Figure DEST_PATH_IMAGE007
为第q层子网的层数；
Figure 309637DEST_PATH_IMAGE008
为子网系数；
Figure DEST_PATH_IMAGE009
为低维向量
Figure 514353DEST_PATH_IMAGE004
和低维向量
Figure 916516DEST_PATH_IMAGE005
的余弦相似度。
2.根据权利要求1所述的一种基于以太网技术的局域网链路性能测试方法，其特征在于，所述计算所述目标层子网和相邻的上下两层子网的各主机之间突发流量的相似度得到第一关联矩阵，包括：
计算目标层子网与对应的上层子网各主机之间突发流量的相似度作为第一关联函数；计算目标层子网与对应的下层子网各主机之间突发流量的相似度作为第二关联函数；由所述第一关联函数和所述第二关联函数构建第一关联矩阵。
3.根据权利要求1所述的一种基于以太网技术的局域网链路性能测试方法，其特征在于，所述计算所述目标层子网和相邻的上下两层子网的各主机之间抖动分布的相似度得到第二关联矩阵，包括：
计算目标层子网与对应的上层子网各主机之间抖动分布的相似度作为第三关联函数；计算目标层子网与对应的下层子网各主机之间抖动分布的相似度作为第四关联函数；由所述第三关联函数和所述第四关联函数构建第二关联矩阵。
4.根据权利要求1所述的一种基于以太网技术的局域网链路性能测试方法，其特征在于，所述对所述高维向量进行降维得到低维向量，包括：
使用基于高斯核函数的核主成分分析法对所述高维向量进行低维变换得到低维向量。
5.根据权利要求1所述的一种基于以太网技术的局域网链路性能测试方法，其特征在于，所述计算任意层子网和对应的下层子网之间的低维向量的特征差异为：所述特征差异为任意层子网和对应的下层子网之间的低维向量的余弦距离。
6.根据权利要求1所述的一种基于以太网技术的局域网链路性能测试方法，其特征在于，所述子网链路的全局代价损失的获取方法为：每条子网链路中主机之间对应的边权值的损失之和为全局代价损失。
7.根据权利要求1所述的一种基于以太网技术的局域网链路性能测试方法，其特征在于，所述根据子网链路的全局代价损失的变化得到可疑链路，自所述可疑链路处进行排查测试，包括：
获取同一子网链路相邻时间段内的全局代价损失，当后一时间段的全局代价损失比前一时间段的全局代价损失大时，从所述子网链路处进行内部排查检测。
CN202210626864.9A 2022-06-06 2022-06-06 一种基于以太网技术的局域网链路性能测试方法 Active CN114710427B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210626864.9A CN114710427B (zh) 2022-06-06 2022-06-06 一种基于以太网技术的局域网链路性能测试方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210626864.9A CN114710427B (zh) 2022-06-06 2022-06-06 一种基于以太网技术的局域网链路性能测试方法

Publications (2)

Publication Number Publication Date
CN114710427A CN114710427A (zh) 2022-07-05
CN114710427B true CN114710427B (zh) 2022-09-02

Family

ID=82177813

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210626864.9A Active CN114710427B (zh) 2022-06-06 2022-06-06 一种基于以太网技术的局域网链路性能测试方法

Country Status (1)

Country Link
CN (1) CN114710427B (zh)

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7680920B2 (en) * 2003-03-24 2010-03-16 Netiq Corporation Methods, systems and computer program products for evaluating network performance using diagnostic rules identifying performance data to be collected
EP2075953B1 (en) * 2007-12-20 2012-05-16 Thomson Licensing Method for testing network performances with low impact on existing network traffic and associated apparatus
US8831524B2 (en) * 2011-04-11 2014-09-09 University Of Maryland, College Park Systems, methods, devices, and computer program products for control and performance prediction in wireless networks
CN111314171B (zh) * 2020-01-17 2023-06-30 深圳供电局有限公司 一种sdn路由性能预测和优化的方法、设备及介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
《Analysis of Failover Link System Performance in OSPF, EIGRP, RIPV2 Routing Protocol with BGP》;Andrew Fiade等;《IEEE》;20200123;全文 *

Also Published As

Publication number Publication date
CN114710427A (zh) 2022-07-05

Similar Documents

Publication Publication Date Title
CN106717082B (zh) 减轻信号噪声的基于指纹的室内定位
Coates et al. Maximum likelihood network topology identification from edge-based unicast measurements
Chauhan et al. Spectral properties of networks with community structure
US9098342B2 (en) Extracting overlay invariants network for capacity planning and resource optimization
CN109639744A (zh) 一种dns隧道的检测方法及相关设备
Nassif et al. Diffusion LMS over multitask networks with noisy links
Ali et al. Channel clustering and QoS level identification scheme for multi-channel cognitive radio networks
CA3102085A1 (en) An ensemble-based data curation pipeline for efficient label propagation
CN109450574B (zh) 高铁通信网络中无线信道多径分簇方法和装置
Darst et al. Improving the performance of algorithms to find communities in networks
Tang et al. The detection of low-rate DoS attacks using the SADBSCAN algorithm
CN114710427B (zh) 一种基于以太网技术的局域网链路性能测试方法
Tang et al. A fast method of constructing the non-dominated set: arena's principle
Siami et al. Network sparsification with guaranteed systemic performance measures
Son et al. Building robust spanning trees in free space optical networks
D'Costa et al. 5g enabled mobile edge computing security for autonomous vehicles
CN108880914B (zh) 一种基于网络带宽测试的互连网络故障检测与定位方法
Taylor et al. A smart system for detecting behavioural botnet attacks using random forest classifier with principal component analysis
CN109981398B (zh) 基于膨胀系数的k分组正则表达式分组方法和系统
CN115051940B (zh) 一种基于bloom滤波器的IPv6网络流测量方法
US20230198644A1 (en) Cognitive virtual radio access network architecture
Al-Shukrawi et al. Scheduling data allocation in packet based wireless communication system using data mining
Bartal et al. Lower bounds for on-line graph problems with application to on-line circuit and optical routing
Krundyshev Identifying cyberthreats in modern industrial systems by means of deep-learning networks
Ahmed et al. FedAuxHMTL: Federated Auxiliary Hard-Parameter Sharing Multi-Task Learning for Network Edge Traffic Classification

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