本發(fā)明涉及網(wǎng)絡(luò)擁塞控制領(lǐng)域，具體涉及一種IP網(wǎng)絡(luò)擁塞鏈路定位方法。
背景技術(shù)：
：IP網(wǎng)絡(luò)鏈路性能推斷技術(shù)對廣大網(wǎng)絡(luò)用戶，特別是網(wǎng)絡(luò)運營、管理商非常重要。隨著IP網(wǎng)絡(luò)規(guī)模的迅速擴大，網(wǎng)絡(luò)結(jié)構(gòu)日益多樣，人工定期檢查已不能適應(yīng)當(dāng)前大規(guī)模網(wǎng)絡(luò)的需要?；贗CMP(InternetControlMessageProtocol)的IP網(wǎng)絡(luò)內(nèi)部擁塞鏈路性能推斷采用主動探測技術(shù)，僅對待測IP網(wǎng)絡(luò)中部分端到端(End-to-End,E2E)路徑進行多次快照(snapshots)，獲取待測網(wǎng)絡(luò)中各E2E路徑性能及拓撲結(jié)構(gòu)信息，并借助貝葉斯理論等，推斷IP網(wǎng)絡(luò)內(nèi)部鏈路性能。較基于SNMP(SimpleNetworkManagementProtocol)的被動探測技術(shù)實時性好，需獲取的數(shù)據(jù)量小，且不涉及用戶隱私等。自1996年Vardi首次提出在IP網(wǎng)絡(luò)性能推斷中使用類似醫(yī)學(xué)層析掃描(tomography)技術(shù)以來，借助網(wǎng)絡(luò)tomography技術(shù)推斷IP網(wǎng)絡(luò)內(nèi)部鏈路性能的方法主要包括兩類：第一類方法使用多播方式或多簇單播模擬多播的方式，通過構(gòu)建IP網(wǎng)絡(luò)線性方程組求解各鏈路丟包率。此類方法需投入復(fù)雜的基礎(chǔ)設(shè)施建設(shè)，且對各E2E路徑性能探測的時間相關(guān)性要求高，并假設(shè)鏈路性能服從特定分布或具有時空獨立性和平穩(wěn)性等。出于安全等因素，當(dāng)前IP網(wǎng)絡(luò)中的大部分路由器對單播的支持度高于多播，時間相關(guān)性難以保證，且tomography技術(shù)以盡可能少的E2E路徑探測推斷網(wǎng)絡(luò)內(nèi)部鏈路性能，常導(dǎo)致構(gòu)建的系統(tǒng)線性方程組系數(shù)矩陣欠定，無法對各鏈路丟包率精確求解。另外，隨著IP網(wǎng)絡(luò)規(guī)模的擴大，線性方程組因系數(shù)矩陣維數(shù)過大，求逆計算復(fù)雜，甚至導(dǎo)致算法失效。第二類方法將路徑及鏈路性能借助布爾(Boolean)二進制代數(shù)值0、1進行表示。H.X.Nguyen，V.N.Padmanabhan，N.G.Duffield等人提出借助不相關(guān)的E2E路徑探測，推斷IP網(wǎng)絡(luò)最有可能發(fā)生擁塞的鏈路集合，簡化了鏈路性能推斷過程。其中，HuangX.等人提出的CLINK算法較不使用先驗概率的MCMC(MonteCarloMarkovChain)算法及使用一致先驗概率的SCFS(SmallestConsistentFailureSetalgorithm)算法在推斷性能上有較大程度的提高。HuangX.等人提出IP網(wǎng)絡(luò)的路由改變會影響推斷性能，但認(rèn)為鏈路擁塞會持續(xù)數(shù)個小時，未考慮路由變化對當(dāng)前鏈路推斷性能帶來的影響。喬焰等人將路由變化作為噪聲干擾，通過在貝葉斯網(wǎng)推斷模型中引入轉(zhuǎn)移概率，提高了推斷精度。但是，由于IP網(wǎng)絡(luò)中的各AS區(qū)域多采用動態(tài)路由算法(如:OSPF)，對IP網(wǎng)絡(luò)進行擁塞鏈路推斷時，路由將根據(jù)鏈路狀態(tài)發(fā)生動態(tài)改變，從而造成推斷過程中網(wǎng)絡(luò)拓撲結(jié)構(gòu)的變化，而拓撲結(jié)構(gòu)變化將引起IP網(wǎng)絡(luò)貝葉斯網(wǎng)推斷模型的結(jié)構(gòu)變化，不僅是參數(shù)改變。因此，上述方法均不能對動態(tài)路由IP網(wǎng)絡(luò)進行準(zhǔn)確建模，推斷擁塞鏈路將產(chǎn)生一定誤差。另外，為了簡化計算復(fù)雜度，部分算法假設(shè)IP網(wǎng)絡(luò)發(fā)生擁塞的鏈路不超過一定數(shù)目，而在實際IP網(wǎng)絡(luò)中，多鏈路擁塞造成的IP網(wǎng)絡(luò)高網(wǎng)絡(luò)時延和高網(wǎng)絡(luò)丟包率等現(xiàn)象，很可能是因為涉及違反SLA(Service-LevelAgreemeng)等相關(guān)服務(wù)等級協(xié)定造成的。網(wǎng)絡(luò)管理者更需要及時準(zhǔn)確的發(fā)現(xiàn)并定位擁塞鏈路，并進行相應(yīng)的處理。技術(shù)實現(xiàn)要素：本發(fā)明的目的是針對上述現(xiàn)有技術(shù)的不足，而提供一種IP網(wǎng)絡(luò)擁塞鏈路定位方法，以解決傳統(tǒng)借助主動網(wǎng)絡(luò)層析成像技術(shù)推斷IP網(wǎng)絡(luò)擁塞鏈路的方法均不能對動態(tài)路由IP網(wǎng)絡(luò)進行準(zhǔn)確建模，從而使推斷擁塞鏈路產(chǎn)生一定誤差的問題。為解決上述技術(shù)問題，本發(fā)明采用的一個技術(shù)方案是：提供一種IP網(wǎng)絡(luò)擁塞鏈路定位方法，定位方法的步驟如下：(1)構(gòu)建動態(tài)貝葉斯網(wǎng)模型：對待測IP網(wǎng)絡(luò)中端到端路徑進行N次快照，N≥1，獲取待測IP網(wǎng)絡(luò)中各端到端路徑性能及拓撲結(jié)構(gòu)的探測結(jié)果，構(gòu)建變結(jié)構(gòu)離散動態(tài)貝葉斯網(wǎng)絡(luò)模型，動態(tài)貝葉斯網(wǎng)絡(luò)模型由多個時間片的靜態(tài)貝葉斯網(wǎng)模型組成，時間片是每個靜態(tài)貝葉斯網(wǎng)模型對應(yīng)的持續(xù)時間；(2)簡化動態(tài)貝葉斯網(wǎng)模型：根據(jù)馬爾科夫模型的一階馬爾科夫性假設(shè)和時齊性假設(shè)，將動態(tài)貝葉斯網(wǎng)模型簡化為由兩個時間片的靜態(tài)貝葉斯網(wǎng)模型通過節(jié)點接口聯(lián)接而成的模型，兩個時間片分別為推斷時刻對應(yīng)的時間片和推斷時刻前N次快照對應(yīng)的初始時間片；(3)推斷擁塞鏈路：動態(tài)貝葉斯網(wǎng)模型簡化后，利用IP網(wǎng)絡(luò)擁塞鏈路推斷算法推斷最有可能發(fā)生擁塞的鏈路集合，包括：①.擁塞先驗概率求解：根據(jù)探測結(jié)果，學(xué)習(xí)待測IP網(wǎng)絡(luò)中所述兩個時間片下各鏈路擁塞先驗概率；②.擁塞鏈路推斷：根據(jù)當(dāng)前推斷時刻所進行的第N+1次快照獲取的各端到端路徑性能及拓撲結(jié)構(gòu)探測結(jié)果，推斷此時最有可能發(fā)生擁塞的鏈路集合。在本發(fā)明另一個實施例中，步驟(3)①進行擁塞先驗概率求解包括如下步驟：a.根據(jù)探測結(jié)果，構(gòu)建兩個時間片T1、T2對應(yīng)的靜態(tài)貝葉斯網(wǎng)模型的選路矩陣D1、D2；b.對選路矩陣D1、D2進行去相關(guān)化簡得到化簡矩陣D1'及D2'；c.在化簡矩陣D1'及D2'中去除正常路徑及途徑鏈路對應(yīng)的矩陣行元素和列元素，得到對應(yīng)的擁塞矩陣再次去相關(guān)化簡，得到化簡擁塞矩陣及d.分別構(gòu)建兩個時間片中各對應(yīng)鏈路擁塞先驗概率求解的布爾線性方程組，求解所述各鏈路擁塞先驗概率。在本發(fā)明另一個實施例中，步驟d中構(gòu)建兩個時間片中各對應(yīng)鏈路擁塞先驗概率求解的布爾線性方程組包括如下步驟：A.在待測IP網(wǎng)絡(luò)中，將各端對端路徑與其途徑的各鏈路之間的關(guān)系用Boolean代數(shù)模型表示為：式中，“∨”為Boolean值最大化操作符；nc為各端對端路徑途經(jīng)的鏈路總數(shù)；yi為第i條路徑的狀態(tài)變量，xj為第j條鏈路的狀態(tài)變量：當(dāng)?shù)趇條路徑為通時，yi＝0，當(dāng)?shù)趇條路徑擁塞時，yi＝1；當(dāng)?shù)趈條鏈路為通時，xj＝0，當(dāng)?shù)趈條鏈路擁塞時，xj＝1；為各時間片中待測IP網(wǎng)絡(luò)構(gòu)建的對應(yīng)化簡擁塞矩陣中的元素值，若第j條鏈路存在于第i條路徑中，反之，B.對A步驟中的Boolean代數(shù)模型公式兩邊取數(shù)學(xué)期望,并進行轉(zhuǎn)換，得到：式中，nε為擁塞路徑途經(jīng)鏈路數(shù)，E[yi']為去相關(guān)后的端對端路徑Pi'的擁塞概率Pi'，E[yi']通過N次快照探測出的各端對端路徑狀態(tài)Boolean值求和取平均得到，用表示；pj為第j條鏈路的擁塞先驗概率；C.對B步驟的數(shù)學(xué)期望公式兩邊取對數(shù)，整理可得如下線性方程組：D.對C步驟中的線性方程組進行系數(shù)矩陣擴展補滿秩操作：將兩擁塞路徑視為一條路徑進行關(guān)聯(lián)處理，對兩矩陣行相應(yīng)鏈路進行“∨”操作，構(gòu)建化簡擁塞矩陣的擴展路徑行，將化簡擁塞矩陣中各元素與對應(yīng)擴展矩陣中各元素合并，并再次去相關(guān)化簡后，構(gòu)造出如下秩等于nε的滿秩系數(shù)矩陣D”d：式中，為各擴展路徑行對應(yīng)的擴展矩陣中的元素值；n'θ為對應(yīng)的擁塞路徑數(shù)，k值大小取決于nε-n'θ的值；E.對滿秩系數(shù)矩陣D”d進行線性無關(guān)化簡，選擇線性無關(guān)擴展路徑行使得補滿秩后的D”d線性無關(guān)，可得如下公式：式中，通過對兩條擁塞路徑Pi、Pl在對應(yīng)時間片中進行Nk次快照，獲取對應(yīng)的每次擁塞變量yi及yl，再進行“∨”操作并求和取平均獲得，去相關(guān)、補滿秩后，得到向量形式的Boolean代數(shù)線性方程組如下：式中，均為對應(yīng)路徑的擁塞概率；為第nε鏈路的擁塞先驗概率。在本發(fā)明另一個實施例中，步驟d中采用稀疏矩陣線性方程組迭代求解方法對構(gòu)建的所述兩個時間片對應(yīng)的鏈路擁塞先驗概率求解的Boolean線性方程組進行求解，得到兩時間片中各鏈路擁塞先驗概率。在本發(fā)明另一個實施例中，稀疏矩陣線性方程組迭代求解方法包括雅克比迭代法，高斯-賽德爾迭代法，逐次超松弛迭代法，共軛梯度迭代法以及預(yù)處理共軛梯度法。在本發(fā)明另一個實施例中，步驟(3)②中利用最大評分參量對擁塞鏈路推斷時，經(jīng)過簡化處理的最大評分參量表達式為：其中，Y1,Y2分別為兩個時間片對應(yīng)靜態(tài)貝葉斯網(wǎng)模型中的觀測變量，X1,X2分別為兩個時間片對應(yīng)靜態(tài)貝葉斯網(wǎng)模型中的隱藏變量；及分別為兩個時間片對應(yīng)靜態(tài)貝葉斯網(wǎng)模型中共有鏈路的狀態(tài)變量，及分別為兩個時間片對應(yīng)靜態(tài)貝葉斯網(wǎng)模型中共有鏈路的擁塞先驗概率。在本發(fā)明另一個實施例中，步驟(3)②中對擁塞鏈路推斷時，基于貝葉斯最大后驗概率準(zhǔn)則，依次在當(dāng)前推斷時刻擁塞路徑途徑鏈路集合中查找權(quán)值最高的鏈路，權(quán)值最高的鏈路即被推斷為擁塞鏈路。在本發(fā)明另一個實施例中，在當(dāng)前推斷時刻擁塞路徑途徑鏈路集合中查找權(quán)值最高的鏈路的判斷公式如下：式中，為分別在所述兩個時間片對應(yīng)靜態(tài)貝葉斯網(wǎng)模型中各共有鏈路lk(lk∈Lε)的擁塞概率，Lε為當(dāng)前推斷時刻擁塞路徑途經(jīng)鏈路集合；n(k)為當(dāng)前推斷時刻鏈路lk存在于路徑的條數(shù)。本發(fā)明的有益效果是：本發(fā)明針對IP網(wǎng)絡(luò)路由的動態(tài)特性，根據(jù)多路端到端探測獲取的路徑性能及拓撲結(jié)構(gòu)的探測結(jié)果，建立變結(jié)構(gòu)離散動態(tài)貝葉斯網(wǎng)絡(luò)模型，并根據(jù)一階馬爾科夫性假設(shè)和時齊性假設(shè)簡化該模型，基于該簡化模型對IP網(wǎng)絡(luò)擁塞鏈路進行推斷，實現(xiàn)了動態(tài)路由下IP網(wǎng)絡(luò)擁塞鏈路的推斷。通過對不同類型及規(guī)模IP網(wǎng)絡(luò)進行模擬實驗與仿真實驗，在相同場景下，分別利用傳統(tǒng)CLINK算法及本發(fā)明的方法進行擁塞鏈路推斷，實驗驗證了本發(fā)明的方法較CLINK算法有更高的推斷準(zhǔn)確性及魯棒性。另外，針對Boolean線性方程組系數(shù)矩陣的奇異性及稀疏性問題，對系數(shù)矩陣去相關(guān)、補滿秩后，提出利用稀疏矩陣系統(tǒng)線性方程組迭代求解鏈路擁塞先驗概率唯一解。基于貝葉斯最大后驗概率準(zhǔn)則，利用加權(quán)啟發(fā)式貪心算法推斷擁塞鏈路集合。附圖說明圖1是本發(fā)明IP網(wǎng)絡(luò)擁塞鏈路定位方法的流程圖；圖2是本發(fā)明IP網(wǎng)絡(luò)擁塞鏈路定位方法實施例簡化后的變結(jié)構(gòu)離散動態(tài)貝葉斯網(wǎng)模型圖；圖3a是實驗驗證實施例一不同Congestion-link-ratio下VSDDB算法擁塞鏈路推斷DR變化趨勢圖；圖3b是實驗驗證實施例一不同Congestion-link-ratio下VSDDB算法擁塞鏈路推斷FPR變化趨勢圖；圖4a是實驗驗證實施例二不同Congestion-link-ratio下VSDDB算法和CLINK算法DR的對比圖；圖4b是實驗驗證實施例二不同Congestion-link-ratio下VSDDB算法和CLINK算法FPR的對比圖；圖5a是實驗驗證實施例三不同路由變化頻繁程度下VSDDB算法和CLINK算法DR的對比圖；圖5b是實驗驗證實施例三不同路由變化頻繁程度下VSDDB算法和CLINK算法FPR的對比圖；圖6a是實驗驗證實施例四不同網(wǎng)絡(luò)規(guī)模下VSDDB算法和CLINK算法DR的對比圖；圖6b是實驗驗證實施例四不同網(wǎng)絡(luò)規(guī)模下VSDDB算法和CLINK算法FPR的對比圖。具體實施方式為了便于理解本發(fā)明，下面結(jié)合附圖和具體實施例，對本發(fā)明進行更詳細的說明。附圖中給出了本發(fā)明的較佳的實施例。但是，本發(fā)明可以以許多不同的形式來實現(xiàn)，并不限于本說明書所描述的實施例。相反地，提供這些實施例的目的是使對本發(fā)明的公開內(nèi)容的理解更加透徹全面。需要說明的是，除非另有定義，本說明書所使用的所有的技術(shù)和科學(xué)術(shù)語與屬于本發(fā)明的
技術(shù)領(lǐng)域：
的技術(shù)人員通常理解的含義相同。在本發(fā)明的說明書中所使用的術(shù)語只是為了描述具體的實施例的目的，不是用于限制本發(fā)明。本說明書所使用的術(shù)語“和/或”包括一個或多個相關(guān)的所列項目的任意的和所有的組合。如圖1所示，本發(fā)明提供了一種IP網(wǎng)絡(luò)擁塞鏈路定位方法，該定位方法的步驟如下：S1.構(gòu)建動態(tài)貝葉斯網(wǎng)模型：對待測IP網(wǎng)絡(luò)中端到端路徑進行N次快照，N≥1，獲取待測IP網(wǎng)絡(luò)中各端到端路徑性能及拓撲結(jié)構(gòu)的探測結(jié)果，構(gòu)建變結(jié)構(gòu)離散動態(tài)貝葉斯(VariableStructureDiscreteDynamicBayesian，簡稱VSDDB)網(wǎng)絡(luò)模型，動態(tài)貝葉斯網(wǎng)絡(luò)模型由多個時間片的靜態(tài)貝葉斯網(wǎng)模型組成，時間片是每個靜態(tài)貝葉斯網(wǎng)模型對應(yīng)的持續(xù)時間；S2.簡化動態(tài)貝葉斯網(wǎng)模型：根據(jù)馬爾科夫模型的一階馬爾科夫性假設(shè)和時齊性假設(shè)，將動態(tài)貝葉斯網(wǎng)模型簡化為由兩個時間片的靜態(tài)貝葉斯網(wǎng)模型通過節(jié)點接口聯(lián)接而成的模型，兩個時間片分別為推斷時刻對應(yīng)的時間片和推斷時刻前N次快照對應(yīng)的初始時間片；S3.推斷擁塞鏈路：動態(tài)貝葉斯網(wǎng)模型簡化后，利用IP網(wǎng)絡(luò)擁塞鏈路推斷算法推斷最有可能發(fā)生擁塞的鏈路集合，包括：S31.擁塞先驗概率求解：根據(jù)探測結(jié)果，學(xué)習(xí)待測IP網(wǎng)絡(luò)中兩個時間片下中各鏈路擁塞先驗概率；S32.擁塞鏈路推斷：根據(jù)當(dāng)前推斷時刻所進行的第N+1次快照獲取的各端到端路徑性能及拓撲結(jié)構(gòu)探測結(jié)果，推斷此時最有可能發(fā)生擁塞的鏈路集合。下面首先對本發(fā)明所要解決的問題及相關(guān)模型的構(gòu)建進行說明。貝葉斯網(wǎng)絡(luò)又稱信度網(wǎng)絡(luò)，是Bayes方法的擴展，是目前不確定知識表達和推理領(lǐng)域最有效的理論模型之一。一個貝葉斯網(wǎng)絡(luò)是一個表示因果關(guān)系的有向無環(huán)圖G＝(ν,ε),由代表變量節(jié)點及連接這些節(jié)點有向邊構(gòu)成，ν為節(jié)點，代表隨機變量，ε為連接節(jié)點的有向邊，代表了節(jié)點間的互相關(guān)系(由父節(jié)點指向其子節(jié)點)，用條件概率進行表達關(guān)系強度，沒有父節(jié)點的用先驗概率進行信息表達。在貝葉斯網(wǎng)中，每個節(jié)點存儲了一個條件概率表，當(dāng)該節(jié)點為根節(jié)點時，此條件概率表為節(jié)點的先驗概率分布。根據(jù)貝葉斯網(wǎng)絡(luò)的因果關(guān)系以及已知的條件概率和先驗概率，可由已知節(jié)點的狀態(tài)(證據(jù)節(jié)點)推理未知節(jié)點(隱藏節(jié)點)的狀態(tài)。本發(fā)明是基于主動探測技術(shù)中的第二類方法，將路徑及鏈路性能利用Boolean二進制代數(shù)值0、1表示，借助Boolean代數(shù)模型對動態(tài)路由IP網(wǎng)絡(luò)進行擁塞鏈路推斷。待測IP網(wǎng)絡(luò)中，各端對端(E2E)路徑的狀態(tài)變量集合：yi為第i條路徑的狀態(tài)變量，各E2E路徑途經(jīng)鏈路的狀態(tài)變量集合：xj為第j條鏈路的狀態(tài)變量；當(dāng)?shù)趇條路徑通時，yi＝0，當(dāng)?shù)趇條路徑擁塞時，yi＝1；當(dāng)?shù)趈條鏈路通時，xj＝0，當(dāng)?shù)趈條鏈路擁塞時，xj＝1。其中，np為待測IP網(wǎng)絡(luò)中E2E路徑總數(shù)，nc為各E2E路徑途經(jīng)的鏈路總數(shù)。在構(gòu)建IP網(wǎng)絡(luò)擁塞鏈路推斷的貝葉斯網(wǎng)模型時，Y為模型中的觀測變量(證據(jù)節(jié)點)，X為隱藏變量(隱藏節(jié)點)，各E2E路徑及途經(jīng)鏈路的連接關(guān)系構(gòu)成模型的有向邊。如果探測出E2E路徑Pi(i＝1,2,...,np)擁塞時，即yi＝1，對IP網(wǎng)絡(luò)內(nèi)部的擁塞鏈路推斷問題可轉(zhuǎn)化為對X最有可能取值的選取問題。貝葉斯網(wǎng)模型節(jié)點聯(lián)合概率如(1)式所示：式(1)中，pa(xj)為節(jié)點xj的父節(jié)點。由于E2E路徑性能正常時，該路徑途經(jīng)各鏈路的性能也正常；路徑擁塞時，該路徑途經(jīng)各鏈路中至少有一條鏈路發(fā)生了擁塞。因此，E2E路徑與該路徑途經(jīng)各鏈路之間應(yīng)存在如下(2)式所示的概率關(guān)系：P(yi＝0|pa(yi)＝{0,...,0})＝1由上述數(shù)學(xué)表達式可得如下引理：引理1:P[yi|pa(yi)]取得最大值時，當(dāng)滿足如下條件：1)如果yi＝0，且Dij＝1，則xj＝0；2)如果yi＝1，則必然存在至少一個xj＝1，使得Dij＝1。根據(jù)各E2E路徑探測性能，借助貝葉斯網(wǎng)模型推斷出最有可能發(fā)生擁塞的鏈路集合，利用最大評分參量(argmax)進行求解，其公式如下：式(3)中，P(Y)僅與IP網(wǎng)絡(luò)狀態(tài)及探測結(jié)果有關(guān)，與鏈路選取無關(guān)，則式(3)可簡化為：式(4)中，pa(yi)為貝葉斯網(wǎng)中yi的父節(jié)點。因此，在推斷IP網(wǎng)絡(luò)內(nèi)部擁塞鏈路時，正常路徑途經(jīng)的各鏈路必為正常狀態(tài)，不必再進行性能推斷。即：可將正常路徑對應(yīng)的觀測變量yi及相關(guān)隱藏變量xj(途經(jīng)鏈路狀態(tài)變量)以及有向邊從IP網(wǎng)絡(luò)構(gòu)建的貝葉斯網(wǎng)推斷模型中移除，剩余的貝葉斯網(wǎng)模型為待測IP網(wǎng)絡(luò)擁塞鏈路推斷中的擁塞貝葉斯網(wǎng)模型。式(4)中，P(xj)(這里的P(xj)也可寫做pj)為鏈路xj的先驗概率，P[yi|pa(yi)]可由式(2)得出，但(4)式仍缺少P(xj)的信息。為了得到IP網(wǎng)絡(luò)中各鏈路擁塞先驗概率P(xj)，需要對各E2E路徑進行N次快照snapshots(traceroute及ping)，獲取待測網(wǎng)絡(luò)中各端到端路徑性能及拓撲結(jié)構(gòu)探測結(jié)果。traceroute返回各E2E路徑途經(jīng)各路由器的IP地址，從而，每兩個直接相連的路由器組成了各E2E路徑所途經(jīng)的各鏈路；ping得到每次snapshots中各E2E路徑的性能探測結(jié)果。根據(jù)IP網(wǎng)絡(luò)動態(tài)路由算法策略，在N次snapshots中，各E2E路徑途經(jīng)鏈路會因物理鏈路切斷或帶寬等因素發(fā)生改變，由此引起IP網(wǎng)絡(luò)拓撲結(jié)構(gòu)的變化。為了構(gòu)建動態(tài)路由IP網(wǎng)絡(luò)擁塞鏈路推斷的貝葉斯網(wǎng)模型，引入如下定義：如果組成一個離散動態(tài)貝葉斯網(wǎng)絡(luò)，不同時刻的離散靜態(tài)貝葉斯網(wǎng)絡(luò)的結(jié)構(gòu)或參數(shù)發(fā)生變化，則這類離散動態(tài)貝葉斯網(wǎng)絡(luò)稱為變結(jié)構(gòu)離散動態(tài)貝葉斯網(wǎng)絡(luò)。N次快照snapshots學(xué)習(xí)鏈路擁塞先驗概率的過程中，如IP網(wǎng)絡(luò)拓撲結(jié)構(gòu)發(fā)生n次改變，則可得到n個靜態(tài)貝葉斯網(wǎng)模型，將每個靜態(tài)貝葉斯網(wǎng)模型對應(yīng)時間(snapshots次數(shù))稱作一個時間片(T)。因此，對動態(tài)路由IP網(wǎng)絡(luò)構(gòu)建的擁塞鏈路推斷動態(tài)貝葉斯網(wǎng)模型可由多個時間片的靜態(tài)貝葉斯網(wǎng)模型組成。為了簡化推斷過程，需要對上述貝葉斯網(wǎng)模型進行簡化，由此引入了馬爾科夫模型，馬爾科夫模型有兩個假設(shè)：1)一階馬爾科夫性假設(shè)：系統(tǒng)在當(dāng)前時刻的狀態(tài)只與前一時刻的狀態(tài)相關(guān)，即給出當(dāng)前系統(tǒng)狀態(tài)，該狀態(tài)只與過去的前一狀態(tài)有關(guān)，將來的系統(tǒng)狀態(tài)和過去的前一狀態(tài)是獨立的；2)齊次性或時齊性：狀態(tài)轉(zhuǎn)移概率與時間無關(guān)，即每個時間片中各節(jié)點的條件概率和各時間片間的轉(zhuǎn)移概率不隨時間發(fā)生變化。根據(jù)上述兩個假設(shè)，待測IP網(wǎng)絡(luò)擁塞鏈路推斷動態(tài)貝葉斯網(wǎng)模型可由推斷時刻前N次snapshots對應(yīng)的初始時間片(T1)和推斷時刻對應(yīng)時間片(T2)的兩個靜態(tài)貝葉斯網(wǎng)模型，通過節(jié)點接口(共有鏈路)聯(lián)接而成，其簡化模型如圖2所示。如圖2所示，根據(jù)E2E路徑性能探測結(jié)果進行擁塞鏈路推斷時，各時間片的靜態(tài)貝葉斯網(wǎng)模型中的觀測變量為探測出的各擁塞路徑狀態(tài)，即：t為N次snapshots中第t個時間片，簡化模型中，t＝{1,2}。各E2E路徑途經(jīng)的鏈路狀態(tài)為如圖2所示，鏈路lh，lj…，lk在T1和T2中均存在于各自時間片的擁塞路徑中，構(gòu)成兩時間片聯(lián)接的節(jié)點接口。lh，lj…，lk在初始時間片T1的靜態(tài)貝葉斯網(wǎng)模型中對應(yīng)的變量為lh，lj…，lk在推斷時刻對應(yīng)時間片T2的靜態(tài)貝葉斯網(wǎng)模型中對應(yīng)的變量為各時間片中，路徑的狀態(tài)變量鏈路的狀態(tài)變量及連接關(guān)系(有向邊)構(gòu)成對應(yīng)時間片的靜態(tài)貝葉斯網(wǎng)模型。如對靜態(tài)路由IP網(wǎng)絡(luò)進行擁塞鏈路推斷時，網(wǎng)絡(luò)拓撲結(jié)構(gòu)始終不變，由此建立的貝葉斯網(wǎng)模型即CLINK算法中擁塞鏈路推斷的靜態(tài)貝葉斯網(wǎng)模型?；谏鲜龊喕蟮呢惾~斯網(wǎng)模型，利用本發(fā)明提出的變結(jié)構(gòu)離散動態(tài)貝葉斯(VariableStructureDiscreteDynamicBayesian，簡稱VSDDB)方法，根據(jù)前N次E2E路徑性能探測結(jié)果及擁塞路徑與途經(jīng)鏈路間的Boolean代數(shù)關(guān)系，學(xué)習(xí)各鏈路擁塞先驗概率，根據(jù)第N+1次E2E路徑性能探測結(jié)果，推斷此時最有可能發(fā)生擁塞的鏈路集合。該算法提高了動態(tài)路由算法下IP網(wǎng)絡(luò)擁塞鏈路推斷精度,其推斷過程如下：①.擁塞先驗概率求解：根據(jù)對待測IP網(wǎng)絡(luò)中端到端路徑的N次快照所獲取的各端到端路徑性能及拓撲結(jié)構(gòu)探測結(jié)果，學(xué)習(xí)待測IP網(wǎng)絡(luò)中兩個時間片下中各鏈路擁塞先驗概率，具體步驟如下：a.根據(jù)N次快照所獲取的待測網(wǎng)絡(luò)中各端到端路徑性能及拓撲結(jié)構(gòu)探測結(jié)果，構(gòu)建兩個時間片T1、T2對應(yīng)靜態(tài)貝葉斯網(wǎng)模型的選路矩陣D1、D2；各時間片下中待測IP網(wǎng)絡(luò)對應(yīng)選路矩陣D的構(gòu)建方法如下：IP網(wǎng)絡(luò)選路矩陣D(在時間片T1下對應(yīng)為D1、在時間片T2下對應(yīng)為D2)的各行為E2E路徑Pi(i＝1,2,…np)，各列為IP網(wǎng)絡(luò)中所有鏈路lj(j＝1,2,..nc)。按照跳數(shù)(hop)級別順序從小到大依次排列；當(dāng)某條E2E路徑Pi途經(jīng)某條鏈路lj時，選路矩陣D對應(yīng)位置處的元素值Dij＝1，否則Dij＝0。b.對選路矩陣D1、D2進行去相關(guān)化簡得到化簡矩陣D1'及D2'：在鏈路擁塞先驗概率學(xué)習(xí)過程中，對待測IP網(wǎng)絡(luò)各E2E路徑通過N次traceroute獲取途經(jīng)鏈路，構(gòu)建各時間片選路矩陣D后，為了減少ping實際發(fā)包探測的路徑數(shù)，根據(jù)矩陣特性，可對選路矩陣D去相關(guān)化簡得到矩陣D'(在時間片T1下對應(yīng)為D1'、在時間片T2下對應(yīng)為D2')；c.在化簡矩陣D1'及D2'中去除正常路徑及途徑鏈路對應(yīng)的矩陣行元素和列元素，得到對應(yīng)的擁塞矩陣再次去相關(guān)化簡，得到化簡擁塞矩陣及由于去除線性相關(guān)路徑后并不影響矩陣特性及矩陣列數(shù)，即覆蓋鏈路數(shù)不變。對各E2E路徑通過ping性能探測后，在D'中去除正常路徑及途經(jīng)鏈路對應(yīng)的矩陣行元素及列元素，可得到擁塞矩陣Dd(在時間片T1下對應(yīng)為在時間片T2下對應(yīng)為)，再次去相關(guān)化簡后，即可得到化簡擁塞矩陣D'd(在時間片T1下對應(yīng)為在時間片T2下對應(yīng)為)。d.分別構(gòu)建兩個時間片下中各對應(yīng)鏈路擁塞先驗概率求解的布爾線性方程組，求解兩時間片下中各鏈路擁塞先驗概率；構(gòu)建兩個時間片下中各對應(yīng)鏈路擁塞先驗概率求解的布爾線性方程組包括如下步驟：A.IP網(wǎng)絡(luò)中，各E2E擁塞路徑的整體傳輸率Ψi與路徑途經(jīng)各鏈路的傳輸率之間關(guān)系滿足(5)式：式(5)中，Ψi為第i條路徑整體傳輸率，為該路徑下途經(jīng)的第j條鏈路的傳輸率。為各時間片下中待測IP網(wǎng)絡(luò)構(gòu)建的對應(yīng)化簡擁塞矩陣中的元素值，若第j條鏈路存在于第i條路徑中，反之，本發(fā)明的目的是為了識別網(wǎng)絡(luò)中的擁塞鏈路，擁塞鏈路是指丟包率(1-傳輸率)超過了應(yīng)用程序能夠容忍的最大極限的鏈路，反之，就是好的鏈路。用t限表示應(yīng)用程序指定的極限值。當(dāng)鏈路滿足時鏈路就是連通的。如果那么鏈路就是擁塞的。這里的閾值t限可根據(jù)應(yīng)用程序的性能需求而改變。為了簡化推斷過程，根據(jù)如下定義：yi為第i條路徑的狀態(tài)變量，xj為第j條鏈路的狀態(tài)變量：當(dāng)?shù)趇條路徑通時，yi＝0，當(dāng)?shù)趇條路徑擁塞時，yi＝1；當(dāng)?shù)趈條鏈路通時，xj＝0，當(dāng)?shù)趈條鏈路擁塞時，xj＝1。將各端對端路徑與該路徑途徑的各鏈路之間關(guān)系用Boolean代數(shù)模型表示為：式(6)中，“∨”為Boolean值最大化操作符。B.為了對擁塞鏈路先驗概率進行求解，對式(6)兩邊取數(shù)學(xué)期望E,轉(zhuǎn)換后可得：式中，nε為擁塞路徑途經(jīng)鏈路數(shù)，E[yi']為去相關(guān)后的端對端路徑Pi'的擁塞概率Pi'，E[yi']通過N次快照探測出的各端對端路徑狀態(tài)Boolean值求和取平均得到，用表示；pj為第j條鏈路的擁塞先驗概率。C.為便于計算，對式(7)兩邊取對數(shù)，整理可得：D.對式(8)進行系數(shù)矩陣擴展補滿秩操作：根據(jù)動態(tài)路由選路算法策略，當(dāng)IP網(wǎng)絡(luò)中某鏈路截斷或持續(xù)擁塞達到一定時間后，會根據(jù)動態(tài)選路協(xié)議重新進行E2E路徑途經(jīng)鏈路的選取。因此，在擁塞鏈路先驗概率學(xué)習(xí)過程中，N次snapshots中對IP網(wǎng)絡(luò)構(gòu)建的選路矩陣D可能會發(fā)生改變。由此，帶來式(8)中的改變，從而造成鏈路擁塞先驗概率pj求解誤差。另外，在借助tomography技術(shù)進行擁塞鏈路推斷時，通常利用盡可能少的E2E路徑探測，覆蓋盡可能多的鏈路，并且通過前述兩次去相關(guān)化簡操作，易造成式(8)中D'd對應(yīng)的E2E路徑數(shù)小于算法覆蓋的鏈路數(shù)。使得式(8)所示Boolean線性方程組系數(shù)矩陣欠定，無法求得唯一解。因此，需對式(8)進行系數(shù)矩陣擴展補滿秩操作。由于系數(shù)矩陣D'd各行代表各線性無關(guān)擁塞路徑，因此可將兩擁塞路徑視為一條路徑進行關(guān)聯(lián)處理，對兩矩陣行相應(yīng)鏈路進行“∨”操作，構(gòu)建D'd的擴展路徑行。各擴展路徑行對應(yīng)的擴展矩陣各元素用表示。將D'd各元素與擴展矩陣各元素合并，并再次去相關(guān)化簡后，可構(gòu)造滿秩系數(shù)矩陣D”d，其為秩等于nε的方陣，這里的k代表補滿秩需要的矩陣行數(shù)，其值大小取決于nε-n'θ的值，nε為擁塞路徑途徑鏈路數(shù)，n'θ為對應(yīng)的擁塞路徑數(shù),秩等于nε的滿秩系數(shù)矩陣D”d如式(9)：E.對滿秩系數(shù)矩陣D”d進行線性無關(guān)化簡：由于并非所有子矩陣D”d進行路徑行擴展組成的滿秩陣都能使得D”d線性無關(guān)。因此，仍需對擴展后的矩陣進行線性無關(guān)化簡，選擇線性無關(guān)擴展路徑行使得補滿秩后的D”d線性無關(guān)，從而求得鏈路擁塞先驗概率唯一解?；喒饺缡?10)：式(10)中，通過對兩條擁塞路徑Pi、Pl在對應(yīng)時間片中進行Nk次快照，獲取對應(yīng)的每次擁塞變量yi及yl，再進行“∨”操作并求和取平均獲得，去相關(guān)、補滿秩后，得到向量形式的布Boolean代數(shù)線性方程組如下：式中，均為對應(yīng)路徑的擁塞概率；為第nε鏈路的擁塞先驗概率。式(11)為Boolean代數(shù)線性方程組，直接求解存儲量和計算量均過大，特別是此方程組系數(shù)矩陣D”d各元素為Boolean代數(shù)值0或1，非零值較少，為典型的稀疏矩陣。當(dāng)矩陣主元(j＝1,2,…,nε)時，無法計算。即使主元但當(dāng)其絕對值很小時，D”d的逆矩陣作為除數(shù)，因舍入誤差的存在也會使計算帶來較大誤差。本發(fā)明將稀疏矩陣系數(shù)線性方程組迭代求解方法引入到IP網(wǎng)絡(luò)鏈路擁塞先驗概率Boolean線性方程組求解中。迭代求解線性方程組的方法主要包括：雅克比(Jacobi)迭代法，高斯-賽德爾(Gauss-Seidel)迭代法，逐次超松弛(SuccessiveOver-Relaxation，SOR)迭代法，共軛梯度(ConjugatedGradient，CG)迭代法以及預(yù)處理共軛梯度法(PretreatmentConjugatedGradient，PCG)等。②.動態(tài)路由下?lián)砣溌吠茢啵航柚鲜龊喕蟮呢惾~斯網(wǎng)模型，根據(jù)當(dāng)前推斷時刻所進行的第N+1次快照獲取的各端到端路徑性能及拓撲結(jié)構(gòu)探測結(jié)果，推斷此時最有可能發(fā)生擁塞的鏈路集合。利用最大評分參量進行動態(tài)路由下?lián)砣溌吠茢鄷r，所利用的最大評分參量argmax如(12)式所示：式(12)中，P(Y1,Y2)僅與網(wǎng)絡(luò)狀態(tài)及探測結(jié)果有關(guān)，與鏈路選取無關(guān)，則其最大評分參量argmax表達式可表示為：式(13)中，及分別為T1及T2對應(yīng)靜態(tài)貝葉斯網(wǎng)模型中共有鏈路的狀態(tài)變量，nε'為T1及T2對應(yīng)各靜態(tài)貝葉斯網(wǎng)模型中共有鏈路總數(shù)；分別為兩個時間片下中對應(yīng)靜態(tài)貝葉斯網(wǎng)模型中對應(yīng)路徑的狀態(tài)變量；分別為的父節(jié)點。為了求解(13)式，根據(jù)引理1，P[yi|pa(yi)]最大值等于1。由于IP網(wǎng)絡(luò)中各鏈路的狀態(tài)xj'是概率獨立的隨機變量，對當(dāng)前IP網(wǎng)絡(luò)進行1次E2E路徑snapshots試驗，各鏈路擁塞概率推斷的分布律服從貝努利概率模型中二項概率公式n＝1，且各鏈路狀態(tài)概率獨立，故可表示為(14)式：由于條件概率表及取得最大值時均為1。因此，式(13)可簡化為：由貝葉斯定理：鏈路狀態(tài)變量與相互獨立，(15)式可表示為：式(16)中，及分別為T1及T2中各E2E路徑途經(jīng)鏈路的擁塞先驗概率，這里的及也可表示為及及可以通過鏈路擁塞先驗概率求解系統(tǒng)方程式(11)可分別求出，根據(jù)貝努利實驗二項式分布概型，式(16)可轉(zhuǎn)化為：nε”為推斷時刻擁塞鏈路總數(shù)。對式(17)取對數(shù)可得：式(18)中，與鏈路狀態(tài)無關(guān)，因此可等價為對式(19)的求解。當(dāng)各E2E路徑探測過程中未發(fā)生路由改變的情況時，(19)式的推斷過程即簡化為對固定路由下?lián)砣溌纷钚「采w集推斷算法CLINK。由此可見，本發(fā)明提出的VSDDB方法對擁塞鏈路推斷具有一般性，是實現(xiàn)IP網(wǎng)絡(luò)擁塞鏈路推斷的通用算法。利用VSDDB方法推斷擁塞鏈路時，基于簡化模型和貝葉斯最大后驗概率(MAP)準(zhǔn)則，借助加權(quán)啟發(fā)式貪心算法尋找最優(yōu)解，根據(jù)當(dāng)前時刻各E2E路徑性能探測結(jié)果，推斷最有可能發(fā)生擁塞的鏈路集合。貪心算法(又稱貪婪算法)是指在對問題求解時，總是做出在當(dāng)前看來是最好的選擇。該算法的特性是：為了解決問題，需要尋找一個構(gòu)成解的候選對象集合，它可以優(yōu)化目標(biāo)函數(shù)，貪婪算法一步一步的進行。起初，算法選出的候選對象的集合為空；接下來的每一步中，根據(jù)選擇函數(shù)，算法從剩余候選對象中選出最有希望構(gòu)成解的對象；如果集合中加上該對象后不可行，那么該對象就被丟棄并不再考慮；否則就加到集合里。每一次都擴充集合，并檢查該集合是否構(gòu)成解。如果貪婪算法正確工作，那么找到的第一個解通常是最優(yōu)的。該算法偽代碼如下：輸入:——移除正常路徑及途經(jīng)鏈路后，構(gòu)建的IP網(wǎng)絡(luò)去相關(guān)化簡擁塞矩陣，t＝{1,2}；——各E2E路徑擁塞概率，t＝{1,2}；Pθ——推斷時刻擁塞路徑集合；Lε——推斷時刻擁塞路徑途經(jīng)鏈路集合；n(k)——推斷時刻鏈路lk存在于多少條E2E路徑中；——包含鏈路lk的所有E2E路徑；輸出:Ω——擁塞鏈路推斷集合。下面通過實驗驗證本發(fā)明IP網(wǎng)絡(luò)擁塞鏈路定位方法的優(yōu)越性。評價算法性能的實驗方法通常包括：模擬實驗、仿真實驗和實測實驗。其中，模擬實驗的標(biāo)準(zhǔn)答案(Benchmark)已知，實驗細節(jié)可完全掌握，但不夠真實；實測實驗雖環(huán)境真實，但較難獲取Benchmark；仿真實驗兼顧實驗的可控性與真實性，操作靈活。因此，為了客觀評價VSDDB算法的性能表現(xiàn)，本發(fā)明分別采用模擬實驗、Emulab仿真實驗和PlanetLab實測實驗，驗證算法準(zhǔn)確性及魯棒性。模擬、仿真實驗中，為了增加算法的通用性，利用Brite拓撲生成器生成三種不同類型、規(guī)模的IP網(wǎng)絡(luò)拓撲結(jié)構(gòu)模型(Waxman、BA及GLP)，并利用隨機數(shù)模型模擬IP網(wǎng)絡(luò)中多鏈路擁塞事件場景。首先進行算法參數(shù)設(shè)置及評價指標(biāo)定義：路徑擁塞閾值參數(shù)(Path-congestion-threshold)：默認(rèn)設(shè)置N＝30(鏈路擁塞先驗概率學(xué)習(xí)中snapshots次數(shù))，Path-congestion-threshold＝0。即：對各E2E路徑30次snapshots中，路徑丟包率每次snapshots均低于設(shè)置閾值(0.05)，則該路徑正常；否則，該路徑擁塞。為了驗證IP網(wǎng)絡(luò)在擁塞鏈路比例不同的情況下對算法性能帶來的影響。模擬實驗中，引入擁塞鏈路占算法覆蓋鏈路比例參數(shù)(Congestion-link-ratio)：設(shè)置0.05≤Congestion-link-ratio≤0.6模擬IP網(wǎng)絡(luò)中擁塞鏈路數(shù)由少到多變化。另外，為了模擬IP網(wǎng)絡(luò)中路由變化頻繁程度對算法推斷性能的影響；路由變化參數(shù)(Route-changing-threshold)：以連續(xù)snapshots中鏈路持續(xù)擁塞次數(shù)作為路徑變路由的觸發(fā)條件，默認(rèn)設(shè)置Route-changing-threshold＝4。為了驗證路由變化快慢對算法推斷性能的影響，設(shè)置1≤Route-changing-threshold≤4。利用檢測率DR(DetectionRate)及誤報率FPR(FalsePositiveRate)進行算法性能評估。推斷DR及FPR為各閾值參數(shù)不變的情況下，實驗10次取平均值后得出。式(20)中，F(xiàn)為推斷時刻實際發(fā)生擁塞的鏈路，X為算法推斷出的擁塞鏈路。模擬實驗評價：本發(fā)明算法采用JAVA語言編寫，通過EclipseMARS.1平臺導(dǎo)入Brite文件，模擬相同鏈路覆蓋范圍、相同擁塞事件場景，利用本發(fā)明提出的VSDDB方法與CLINK算法分別進行擁塞鏈路推斷并對推斷性能進行比較。鏈路擁塞先驗概率迭代求解：為了驗證VSDDB方法中，利用稀疏系數(shù)矩陣線性方程組求解方法迭代求解鏈路擁塞先驗概率唯一解的有效性，模擬一定規(guī)模(500個節(jié)點)的Waxman(1000條鏈路)、BA(997條鏈路)及GLP(923條鏈路)IP網(wǎng)絡(luò)模型，Congestion-link-ratio＝0.1，模擬30次鏈路擁塞事件，且路由不變的實驗場景。對不同迭代算法求解性能進行比較，迭代算法中誤差限＝10-3。利用不同算法迭代求解式(11)中各鏈路擁塞先驗概率唯一解，其迭代次數(shù)及運行時間分別如表1所示。算法運行時間為連續(xù)迭代求解10次取平均值后所得結(jié)果。表1不同算法的先驗概率迭代求解性能比較通過實驗，Jacobi算法在不同類型、規(guī)模的IP網(wǎng)絡(luò)模型中，迭代求解鏈路擁塞先驗概率均不能實現(xiàn)算法收斂。Gauss-Seidel、SOR、SSOR(SymmetricSOR)、CG以及SSOR分裂PCG(SSORPCG)算法均能在可接受的時間內(nèi)實現(xiàn)收斂。其中，SSORPCG算法因SSOR分裂具有對稱因子，在一定程度上能夠加速CG算法收斂，收斂步數(shù)最少；而SOR算法收斂時間最短。因此，在VSDDB算法中，可選擇SOR或SSORPCG算法迭代求解鏈路擁塞先驗概率，以確保大規(guī)模IP網(wǎng)絡(luò)擁塞鏈路先驗概率求解的準(zhǔn)確性及實時性，為擁塞鏈路在線推斷提供保障。不變路由下VSDDB方法性能:Brite拓撲生成器以默認(rèn)參數(shù)生成150個節(jié)點規(guī)模的Waxman、BA及GLP模型，VSDDB方法中，設(shè)置0.05Congestion-link-ratio0.6，擁塞鏈路推斷DR及FPR如圖3。根據(jù)圖3，隨著Congestion_link-ratio增大，DR呈下降趨勢。其中，GLP模型下DR最高，其次是BA模型，Waxman模型最低。這與IP網(wǎng)絡(luò)模型的拓撲結(jié)構(gòu)有直接關(guān)系，因Waxman模型路徑長度較長，VSDDB算法以最小覆蓋集問題(SetCoverProblem，SCP)作為理論基礎(chǔ)進行擁塞鏈路推斷，當(dāng)同一條路徑中最有可能擁塞的鏈路被推斷出來后，除非此鏈路在其余路徑中為最有可能擁塞的鏈路，否則該路徑下的其余鏈路在本路徑中將不再被推斷。而BA模型及GLP模型為冪律模型，網(wǎng)絡(luò)中部分路由器度值較大，共用路徑較Waxman模型多。因此，對Waxman模型的擁塞鏈路推斷DR較GLP及BA模型有明顯下降。VSDDB方法FPR在GLP模型下最低，不高于0.1，BA模型及Waxman模型下在0.2附近。在路由不變的GLP模型下，VSDDB方法擁塞鏈路推斷結(jié)果與CLINK算法基本一致。驗證了VSDDB方法擁塞鏈路推斷的通用性。變路由下算法推斷性能比較：為了驗證VSDDB方法對動態(tài)路由IP網(wǎng)絡(luò)擁塞鏈路推斷的有效性及準(zhǔn)確性，對150個節(jié)點的Waxman、BA及GLP模型，30次snapshots中，利用隨機數(shù)發(fā)生器以Congestion-link-ratio比例模擬鏈路擁塞事件；Route-changing-threshold＝4作為路由改變閾值，并以最短路徑優(yōu)先策略重新選路。在相同的擁塞鏈路場景下，分別利用VSDDB方法與CLINK算法進行當(dāng)前時刻擁塞鏈路推斷。(1)不同Congestion-link-ratio對算法的影響設(shè)置0.05Congestion-link-ratio0.6，兩種算法擁塞鏈路推斷DR及FPR如圖4a～圖4b所示。由圖可知，不同IP網(wǎng)絡(luò)模型下，兩種方法DR均呈下降趨勢。VSDDB算法DR明顯高于CLINK算法。VSDDB方法在GLP模型下DR最高，其次是BA模型和Waxman模型。變路由下CLINK算法的推斷性能較不變路由時明顯降低，由于GLP模型冪律性強，鏈路在多條E2E路徑中存在，造成DR下降最多，較路由不變時平均下降50％以上；對BA模型，平均下降40％左右；對Waxman模型平均下降30％左右。VSDDB方法DR也較路由不變時平均下降10％左右，F(xiàn)PR較不變路由時平均升高10％。當(dāng)擁塞鏈路比例增大時，VSDDB表現(xiàn)出較強的魯棒性，穩(wěn)定性能明顯優(yōu)于CLINK。(2)路由變化快慢對算法的影響為了驗證VSDDB方法在不同IP網(wǎng)絡(luò)環(huán)境下的推斷性能，利用鏈路連續(xù)擁塞snapshots次數(shù)觸發(fā)路由表更新來模擬IP網(wǎng)絡(luò)變路由的速度。模擬實驗中，分別設(shè)置Route-changing-threshold＝1～4次導(dǎo)致路由變化的場景。如：Route-changing-threshold＝1即發(fā)生路由改變，說明待推斷IP網(wǎng)絡(luò)路由變化頻繁；反之，路由變化較慢。對150個節(jié)點的Waxman、BA及GLP模型IP網(wǎng)絡(luò)，設(shè)置Congestion-link-ratio＝0.1，兩種算法擁塞鏈路推斷DR及FPR如圖5a～圖5b所示。由圖可知，路由變化越快，兩種算法DR均越低，F(xiàn)PR越高。DR隨路由變化頻率增大呈線性下降趨勢。VSDDB方法在GLP模型下DR最高，其次是BA及Waxman模型；在GLP模型下FPR最低，其次是BA及Waxman模型。不同模型下，VSDDB方法的推斷性能均優(yōu)于CLINK。(3)不同網(wǎng)絡(luò)規(guī)模對算法的影響為了驗證VSDDB方法對不同規(guī)模下的IP網(wǎng)絡(luò)擁塞鏈路推斷性能。以默認(rèn)參數(shù)生成節(jié)點數(shù)(Node-number)50～350變化的Waxman、BA及GLP模型，設(shè)置Congestion-link-ratio＝0.2，Route-changing-threshold＝4，兩種方法擁塞鏈路推斷DR及FPR如圖6a～圖6b所示。由圖可知，對不同規(guī)模的IP網(wǎng)絡(luò)，VSDDB方法推斷性能均優(yōu)于CLINK。其中，VSDDB方法在GLP模型下推斷DR最高，其次是BA及Waxman模型；在GLP模型下FPR最低，其次是BA及Waxman模型。對不同規(guī)模的IP網(wǎng)絡(luò)，VSDDB方法較CLINK有更高的魯棒性，擁塞鏈路推斷DR及FPR均較CLINK穩(wěn)定。Emulab仿真實驗評價：實際IP網(wǎng)絡(luò)拓撲結(jié)構(gòu)大部分服從冪律規(guī)則，在Emulab實驗平臺上進行仿真實驗：(1)使用Brite拓撲生成器以默認(rèn)參數(shù)生成20個節(jié)點，且服從冪律規(guī)則分布的GLP模型Brite文件；(2)導(dǎo)入Brite文件，搭建被測網(wǎng)絡(luò)，并將探針及性能監(jiān)控臺接入被測網(wǎng)絡(luò)；(3)由性能監(jiān)控臺給各發(fā)包路由器探針下達探測任務(wù)，并將測得數(shù)據(jù)上傳至性能監(jiān)控臺，分別利用VSDDB及CLINK進行擁塞鏈路推斷。(1)網(wǎng)絡(luò)拓撲：設(shè)置仿真IP網(wǎng)絡(luò)中各鏈路帶寬100Mbps，時延15ms；(2)選路協(xié)議：IP網(wǎng)絡(luò)采用OSPF協(xié)議，E2E路徑服從最短路徑優(yōu)先選路規(guī)則。設(shè)置鏈路擁塞時延大于8min后重新選路，各路由器路由表2min內(nèi)可實現(xiàn)穩(wěn)定，鏈路在2min內(nèi)可恢復(fù)正常數(shù)據(jù)傳輸；(3)鏈路狀態(tài)：采用LM1模型，鏈路擁塞時，丟包率服從[0.05,1]均勻分布；鏈路正常時，丟包率服從[0,0.01]均勻分布。為每條鏈路賦初始丟包率后，鏈路丟包服從Gilbert過程。即：鏈路狀態(tài)在擁塞與正常之間波動。處于正常狀態(tài)時不丟包；處于擁塞狀態(tài)時全丟包。鏈路每隔2min以Congestion-link-ratio比例按照隨機數(shù)規(guī)律變化產(chǎn)生擁塞事件。本次仿真實驗場景下，僅對路由器節(jié)點Node6進行發(fā)包探針部署，需進行主動發(fā)包探測的E2E路徑12條，鏈路覆蓋18條。性能監(jiān)控臺每隔2min對探針發(fā)送指令進行一次snapshots。設(shè)置Congestion-link-ratio＝0.1。兩算法的推斷DR及FPR為10次實驗結(jié)果取平均值后得出，如表2所示。表2Emulab仿真實驗算法推斷精度算法DR(檢測率)FPR(誤報率)VSDDB87.9％7.6％CLINK63.7％15.1％Internet實驗評價：為了驗證VSDDB在實際IP網(wǎng)絡(luò)中擁塞鏈路推斷性能，在PlanetLab平臺構(gòu)建一由50個節(jié)點組成的拓撲網(wǎng)絡(luò)，選取部分端主機作為發(fā)包路由器，最大程度的覆蓋整個待測網(wǎng)絡(luò)。由于實際Internet網(wǎng)絡(luò)中，各鏈路丟包率數(shù)值無法準(zhǔn)確獲知，即缺少DR及FPR計算式(20)中的Benchmark(F)。因此，本發(fā)明借鑒現(xiàn)有對算法推斷性能的評價方法。首先，將待測Internet網(wǎng)絡(luò)中各端到端路徑集合以隨機方式分為兩個大小相等的路徑集合：推斷路徑集合Ι及驗證路徑集合Ρ。在集合Ι中，對各E2E路徑每隔4分鐘進行一次snapshots，共進行30次。(1)利用traceroute獲取每次snapshots中，各E2E路徑途經(jīng)路由器節(jié)點，由此得到各E2E路徑途經(jīng)鏈路，由于路由器有多個端口，同一個路由器可能由多個端口與其他路由器相連，因此，實測實驗中利用sr-ally工具將多個IP地址(端口)但歸屬同一路由器的節(jié)點進行合并；(2)利用ping從發(fā)包節(jié)點向各端節(jié)點發(fā)送100個60字節(jié)UDP包，獲取每次E2E路徑性能測量結(jié)果。根據(jù)集合Ι中30次snapshots得到的數(shù)據(jù)，利用VSDDB方法及CLINK算法進行集合Ι中各鏈路擁塞先驗概率求解。并對整個待測網(wǎng)絡(luò)各E2E路徑進行1次snapshots，得到各路徑途經(jīng)鏈路及性能探測結(jié)果，利用VSDDB方法及CLINK算法進行集合Ι中擁塞鏈路推斷，得到兩種算法推斷結(jié)果。根據(jù)E2E路徑中至少存在一條擁塞鏈路，則路徑擁塞原理。分別以兩種算法推斷出的擁塞鏈路集合確定路徑集合Ρ中的擁塞路徑集合，并對照該路徑在snapshots中得到的實際路徑丟包率測量值，判斷兩種算法的推斷準(zhǔn)確性。兩算法的推斷DR及FPR為10次實驗結(jié)果取平均值后得出，如表3所示。表3Internet實測實驗算法推斷精度算法DR(檢測率)FPR(誤報率)VSDDB92.1％4.2％CLINK87.2％10.5％由于CLINK算法未考慮Internet網(wǎng)絡(luò)動態(tài)路由中各端到端路徑途經(jīng)鏈路改變對推斷性能帶來的影響。因此，擁塞鏈路推斷過程中，如E2E路徑路由發(fā)生改變，將造成CLINK算法推斷結(jié)果與當(dāng)前實際IP網(wǎng)絡(luò)環(huán)境中擁塞鏈路不一致。但是，推斷過程中，如路由未發(fā)生改變，則VSDDB方法與CLINK算法推斷結(jié)果一致。另外，如某鏈路僅在T2的靜態(tài)貝葉斯網(wǎng)模型中，而不在T1的靜態(tài)貝葉斯網(wǎng)模型中，說明此鏈路在T2處在擁塞路徑中，在T1或處于正常路徑或因路由算法選路策略未參與到E2E路徑中，但無論哪種情況，此鏈路在T2均應(yīng)作為擁塞路徑途經(jīng)的可能擁塞鏈路進行推斷；如某鏈路僅在T1的貝葉斯網(wǎng)模型中，而未出現(xiàn)在T2的貝葉斯網(wǎng)模型中，則說明此鏈路在T1中處在擁塞路徑中，而T2中可能因選路策略未被E2E路徑覆蓋。通常，此鏈路應(yīng)仍處于擁塞狀態(tài)中，仍可作為擁塞鏈路進行推斷。本發(fā)明對這兩種情況均采用t＝1的情況進行處理。但是，也有可能此鏈路在T2中為正常路徑途經(jīng)的鏈路。此時，推斷可能存在誤差。另外，如先驗概率學(xué)習(xí)過程中的多次snapshots中，E2E路徑始終擁塞，則式(10)中路徑擁塞概率值為1。而在進行鏈路擁塞先驗概率計算時，將不滿足對數(shù)函數(shù)定義域要求，程序出現(xiàn)錯誤。對此問題進行修正：當(dāng)路徑擁塞概率Pi＝1時，將值微調(diào)為0.99，調(diào)整后不影響該路徑在全網(wǎng)各擁塞路徑中所占比重。此外，如果選路矩陣D在N次snapshots探測后的第N+1次snapshots發(fā)生變化，而推斷時刻E2E路徑途經(jīng)了擁塞先驗概率學(xué)習(xí)過程中未覆蓋的鏈路，將對推斷性能造成影響。但此情況發(fā)生概率極低，對算法推斷效果影響較小。以上所述僅為本發(fā)明的實施例，并非因此限制本發(fā)明的專利范圍，凡是利用本發(fā)明說明書及附圖內(nèi)容所作的等效結(jié)構(gòu)變換，或直接或間接運用在其他相關(guān)的
技術(shù)領(lǐng)域：
，均包括在本發(fā)明的專利保護范圍內(nèi)。當(dāng)前第1頁1 2 3