CN115022195A - 一种用于IPv6网络的流量动态测量方法 - Google Patents

Abstract

该发明公开了一种用于IPv6网络的流量动态测量方法，数据流量测量领域。直接测量法需要设备和附加软件的支持来测量网络，会消耗大量的存储和计算网络资源，导致网络流预测的开销较大。本发明搭建并利用IPv6网络流数据训练预测神经网络，通过训练好的预测神经网络，实现IPv6网络流的动态预测得到初步预测结果。根据预测结果采用自适应采样动态改变采样粒度，获得粗粒度测量结果。根据矩阵填充和优化方法来恢复细粒度测量结果并优化测量结果。该方法在降低测量开销的同时准确率也得到了保证。能够在较低的开销的同时，完成较高的网络流动态预测准确率对于IPv6网络管理有着重要的意义。

Description

一种用于IPv6网络的流量动态测量方法

技术领域

本发明属于IPv6通信网络技术领域。

背景技术

网络流动态测量对于加强IPv6网络管理和提高IPv6网络资源的利用率具有重要的意义。传统的网络流测量方法有直接测量和流量估计等。对于直接测量方法，如sFlow、NetFlow等，需要设备以及附加软件的支持来测量网络流，这会消耗大量的存储和计算网络资源。与此同时，IPv6网络规模越发庞大，由于网络中流量爆炸式增长、监控资源有限以及网络组件的巨大开销等问题，导致网络流直接测量方法十分具有挑战性；另外一种网络流测量方法，流量估计是使用网络推断技术从一组聚合的、端到端度量来估计流量矩阵。目前关于IPv6的网络流预测研究比较少，此外，由于网络流的动态变化和随机突发性，要对其进行准确动态测量是比较困难的。因此，提出准确且高效的IPv6网络流动态测量方法是非常重要的。

人工智能技术在过去十年发展得特别快，它通过搭建人工神经网络来模仿生物过程学习特征，推断用户的行为，并通过模拟人脑识别过程来做出决定。人工智能技术已经被广泛应用于智能医疗、智能手机、智能汽车以及语音识别等领域中，深刻改变了人类的行为模式和生活方式。近些年来，人们广泛利用基于网络流状况的人工智能技术来进行网络流预测，比如专家系统、模糊推理、模糊神经等，其中应用最多且性能较好的是人工神经网络(ANN)。神经网络适合于学习比较复杂的非线性关系，而且它是数据驱动不断学习的，不需要对网络流量进行大量的数学建模试验工作，因而适合解决网络流模型中的复杂相关性。

当前，基于人工神经网络的网络流预测研究工作中普遍都是使用传统的人工神经网络模型。然而，传统人工神经网络大多数都是采用的静态网络结构,难以捕获网络流之间复杂的动态时序关系。因此，基于传统人工神经网络所建立的测量模型往往不具备动态预测的能力。而IPv6网络流却具有动态特性和随机突发性，会随着时间的推移而随机变化，导致以往基于传统人工神经网络的网络流预测研究方法并不适用于IPv6网络流的动态预测，预测性能较为差劲。

以往的基于人工神经网络的网络流测量研究，大多是基于传统的网络模型，因为其不具备较好的动态信息处理能力，所以应用到IPv6网络流动态测量中效果不佳，测量精度低。而准确的网络流测量是IPv6网络管理以及提高IPv6网络资源利用率的关键。基于预测神经网络的测量方法可以对IPv6网络流进行动态分析，完成动态测量，达到不错的测量精度。

同时，获得高精度测量结果的同时，如何尽量降低测量开销也是一个关键问题。对于网络流测量的研究中，大多一味追求精度高的细粒度测量，则往往会消耗网络设备中大量的计算资源和存储空间，产生巨大的测量开销。一个合适的采样粒度则能很好地平衡测量精度与测量开销，可以在测量开销低的情况下，测量精度也能得到保证。如何掌握恰当的采样粒度对于提高整体测量模型的性能尤为重要。尽管有的测量研究中，针对网络流的特征情况，选取一个较好的采样粒度去进行测量工作，并达到了不错的测量性能。但是，由于IPv6网络流的动态性，相同的采样粒度在不同的时刻，可能都会导致测量性能有所差异。

发明内容

针对现有技术直接测量法需要设备和附加软件的支持来测量网络，会消耗大量的存储和计算网络资源，导致网络流预测的开销较大；传统的人工神经网络多采用静态网络结构，难以捕捉网络流的动态时序关系，建立的模型往往难以实现动态测量的问题，提出一种IPv6网络流轻量级自适应测量方法。

本发明技术方案为：一种用于IPv6网络的流量动态测量方法，该方法包括：

步骤1：获取IPv6网络流数据并搭建预测神经网络，利用获取到的数据对预测神经网络进行训练；

采用向量来表示IPv6网络中流量和链路：

其中，X表示IPv6网络中的流量，其中每个元素表示每个节点的流量；Y表示IPv6网络中的链路，其中每个元素表示一个节点；N表示有N个结点，网络中最多将有N*N个流；M表示网络中有M个链路，IPv6网络中路由矩阵A为：

A＝[a_mn]_M*(N*N),m∈[1,M],n∈[1,N*N],a_mn∈{0,1} (3)

路由矩阵中的每个元素表示流是否经过链路，当a_mn＝1时，表示流n经过链路m传输数据，否则a_mn＝0，路由矩阵表示链路和流之间的关系，流量矩阵为：

Y＝AX (4)

获取IPv6网络的网络流量和链路，作为样本数据；

步骤2：建立预测神经网络并训练；

其中，C_(t)＝f_(t)⊙C_(t-1)+i_(t)⊙c′_(t) (6)

h_(t)＝o_(t)⊙tanh(C_(t)) (7)

其中，y_(t)表示预测网络的输出即预测的IPv6网络全部网络节点流量和全部链路，

表示t时刻预测神经网络第i个维度的输入即IPv6网络部分网络节点流量和对应的部分链路，

表示t-1时刻第i个维度的隐藏状态，

表示对应计算单元的权重矩阵，

表示对应计算单元的偏置向量，p与q分别表示预测网络输入维度与隐含层节点数，σ(·)表示sigmoid激活函数，tan(·)表示双曲正切活函数；

采用步骤1获得数据对建立的预测神经网络进行训练，

采用训练好的预测神经网络对IPv6网络进行实施预测，得到预测结果；

步骤3：针对预测神经网络得到的初步预测结果进行自适应采样方案，对IPv6网络中的网络流进行采样，得到粗粒度流量测量结果；

采用下述公式判断是否对该流量预测值进行采样：

其中，δ(t)为t时刻流量预测值是否采样，如果流量预测值的差大于临界值θ，则对IPv6网络进行采样，否则，不进行采样；

根据公式(12)得到的采样序列为：

其中，t₀是抽样过程的开始，Δt是每个采样点的更新步骤，具体采样过程为：

其中，δ_n(k)为流n的采样序列，k为采样时间序列；链路和流量的流量瞬时采样率R(t)为：

其中S(t₂)-S(t₁)为两次统计量的字节增量，t₂-t₁为测量间隔，根据公式(13)，(14)，(15)的采样方式对IPv6网络进行采样，得到粗粒度流量结果；

步骤4：对步骤3得到的粗粒度流量进行插值，得到最终的细粒度测量结果。

进一步的，所述步骤4对插值后数据进行进一步优化，具体方法为：

步骤4.1：对获得的粗粒度流量测量结果，采用插值方法对其进行矩阵填充；

步骤4.2：对步骤4.1得到的结果采用下式进行优化；

其中，λ是拉格朗日乘子，A_i表示链路i的流，约束C1表示链路负荷与流量之间的约束，即各链路上的流量之和不再是链路容量；约束C2表示链路的流量限制，即流量和链路的流量是非负的；C3表示每个节点的流量是保守的，即流入一个节点的流量等于流出该节点的流量。

在此基础上，用拉格朗日方法对目标函数(16)中的约束进行松弛，因此优化函数可以写成：

其中α和β是拉格朗日乘数，λ为权重系数；

最后，利用迭代法采用公式(16)和(17)计算优化后的细粒度测量值，得到最优的IPv6网络流细粒度测量结果。

本发明的有益效果：

本发明提出亿欧中IPv6网络流轻量级自适应测量方法。

本发明搭建并利用IPv6网络流数据训练预测神经网络，通过训练好的预测神经网络实现IPv6网络流的动态预测得到初步预测结果。根据预测结果采用自适应采样动态改变采样粒度，大大减少测量开销，获得粗粒度测量结果。最后，根据矩阵填充和优化方法来恢复细粒度测量结果并优化测量结果。该方法在降低测量开销的同时准确率也得到了保证。能够在较低的开销的同时，完成较高的网络流动态预测准确率对于IPv6网络管理有着重要的意义。

附图说明

图1为不同采样方案的真实流量与测量值的比较；

图2为不同采样方案的平均测量开销与平均测量误差；

图3为不同采样方案产生相对误差的累积分布函数图；

图4为不同采样方案在450秒内的网络流传输速率比较；

图5为不同采样方案在450秒内的测量相对误差比较；

具体实施方式

本节将验证本发明方法对于网络流动态测量的性能。

步骤1：将提出的方法与系统采样以及随机采样进行比较。其中LLAMM、R60和U60是采用同一种测量方法但是采样方案、采样频率不同。LLAMM为本发明方法；U60表示使用采样间隔为60的系统采样方案；R60表示使用采样间隔为60的随机采样方案。图1显示了不同采样方案的流量测量值与真实值之间的比较情况。由图1可以看出，本发明所提出的LLAMM算法优于其他的方法，流量的测量值与流量的真实值最为接近，说明LLAMM性能很好。

步骤2：分析不同采样方案的平均测量开销与平均测量误差。由图2可以看出，LLAMM与R60的平均测量开销相差不大，但是R60的平均测量误差却比LLAMM高出不少，测量精确度略低；同时，可以看出U60的平均测量误差是三种方案中最低的，比LLAMM还低一点，但是它的平均测量开销却远远高于LLAMM，达到了LLAMM测量开销两倍之多，这是因为它的采样粒度小于LLAMM。综合平均测量误差与平均测量开销，LLAMM采样方案性能是三者中最佳的。

步骤3：引入累积分布函数来更直观地描述相对误差。图3为不同采样方案产生的相对误差的累积分布函数(CDF)。相对误差是测量的绝对误差与实际值的比值，反映了测量的可信度。从图3可以看出，LLAMM和U60的相对误差大约接近90％左右都是低于0.3的，R60则更低，仅有75％左右的相对误差是低于0.3的，说明R60的测量可信度没有LLAMM与U60高。从LLAMM与U60的相对误差的CDF曲线也可以看出，U60的测量精度是略优于LLAMM的，可是由步骤2可知，U60的测量开销异常的高，导致整体的测量性能仍然不如LLAMM。

步骤4：对不同采样方案在一定时间内的测量性能进行分析比较。图4显示了不同采样方案以及真实网络流在450秒内的传输速率比较，图5显示了不同采样方案在450秒内进行测量所产生的相对误差。从图4也可以看出，LLAMM的传输速率是大体上是比较的稳定，而且要高于R60与U60的传输速率，与真实网络流的传输速率最为接近，说明LLAMM的测量性能更为稳定。由图5可以看出，U60在测量初期产生的相对误差较大，随着时间的推移相对误差逐渐降低；R60则是在前期相对误差较小，而在后期测量的相对误差则一直很高；LLAMM虽然在某些时刻的测量相对误差会突然提高，但是整体来说，LLAMM仍是维持在一个较为稳定的相对误差。

网络流动态测量对于加强IPv6网络管理和提高IPv6网络资源利用率具有重要的意义。通过仿真结果的分析表明，本发明所提出的IPv6网络流轻量级自适应测量算法(LLAMM)拥有不错的测量性能，能够以较低的开销和较高的准确率动态测量IPv6网络流。

Claims (2)

1.一种用于IPv6网络的流量动态测量方法，该方法包括：

步骤1：获取IPv6网络流数据并搭建预测神经网络，利用获取到的数据对预测神经网络进行训练；

采用向量来表示IPv6网络中流量和链路：

其中，X表示IPv6网络中的流量，其中每个元素表示每个节点的流量；Y表示IPv6网络中的链路，其中每个元素表示一个节点；N表示有N个结点，网络中最多将有N*N个流；M表示网络中有M个链路，IPv6网络中路由矩阵A为：

A＝[a_mn]_M*(N*N),m∈[1,M],n∈[1,N*N],a_mn∈{0,1} (3)

路由矩阵中的每个元素表示流是否经过链路，当a_mn＝1时，表示流n经过链路m传输数据，否则a_mn＝0，路由矩阵表示链路和流之间的关系，流量矩阵为：

Y＝AX (4)

获取IPv6网络的网络流量和链路，作为样本数据；

步骤2：建立预测神经网络并训练；

其中，C_(t)＝f_(t)⊙C_(t-1)+i_(t)⊙c′_(t) (6)

h_(t)＝o_(t)⊙tanh(C_(t)) (7)

其中，y_(t)表示预测网络的输出即预测的IPv6网络全部网络节点流量和全部链路，

表示t时刻预测神经网络第i个维度的输入即IPv6网络部分网络节点流量和对应的部分链路，

表示t-1时刻第i个维度的隐藏状态，

表示对应计算单元的权重矩阵，

表示对应计算单元的偏置向量，p与q分别表示预测网络输入维度与隐含层节点数，σ(·)表示sigmoid激活函数，tan(·)表示双曲正切活函数；

采用步骤1获得数据对建立的预测神经网络进行训练，

采用训练好的预测神经网络对IPv6网络进行实施预测，得到预测结果；

步骤3：针对预测神经网络得到的初步预测结果进行自适应采样方案，对IPv6网络中的网络流进行采样，得到粗粒度流量测量结果；

采用下述公式判断是否对该流量预测值进行采样：

其中，δ(t)为t时刻流量预测值是否采样，如果流量预测值的差大于临界值θ，则对IPv6网络进行采样，否则，不进行采样；

根据公式(12)得到的采样序列为：

其中，t₀是抽样过程的开始，Δt是每个采样点的更新步骤，具体采样过程为：

其中，δ_n(k)为流n的采样序列，k为采样时间序列；链路和流量的流量瞬时采样率R(t)为：

其中S(t₂)-S(t₁)为两次统计量的字节增量，t₂-t₁为测量间隔，根据公式(13)，(14)，(15)的采样方式对IPv6网络进行采样，得到粗粒度流量结果；

步骤4：对步骤3得到的粗粒度流量进行插值，得到最终的细粒度测量结果。

2.如权利要求1所述的一种用于IPv6网络的流量动态测量方法，其特征在于，所述步骤4对插值后数据进行进一步优化，具体方法为：

步骤4.1：对获得的粗粒度流量测量结果，采用插值方法对其进行矩阵填充；

步骤4.2：对步骤4.1得到的结果采用下式进行优化；

其中，λ是拉格朗日乘子，A_i表示链路i的流，约束C1表示链路负荷与流量之间的约束，即各链路上的流量之和不再是链路容量；约束C2表示链路的流量限制，即流量和链路的流量是非负的；C3表示每个节点的流量是保守的，即流入一个节点的流量等于流出该节点的流量。

在此基础上，用拉格朗日方法对目标函数(16)中的约束进行松弛，因此优化函数可以写成：

其中α和β是拉格朗日乘数，λ为权重系数；

最后，利用迭代法采用公式(16)和(17)计算优化后的细粒度测量值，得到最优的IPv6网络流细粒度测量结果。

Images