链路层分类包的网络流量自相似性研究

doi:10.3778/j.issn.1002-8331.2009.05.037

计算机工程与应用 ›› 2009, Vol. 45 ›› Issue (5): 129-131.DOI: 10.3778/j.issn.1002-8331.2009.05.037

链路层分类包的网络流量自相似性研究

聂得欣¹,袁小坊^1,2,王东¹,谢高岗²

1.湖南大学计算机与通信学院，长沙 410082
2.中国科学院计算技术研究所下一代互联网研究中心，北京 100080

收稿日期:2008-01-04 修回日期:2008-04-01 出版日期:2009-02-11 发布日期:2009-02-11
通讯作者: 聂得欣

Study of self-similarity characteristic of network traffic based on classified packets of data link layer

NIE De-xin¹,YUAN Xiao-fang^1,2,WANG Dong¹,XIE Gao-gang²

1.College of Computer and Communication，Hunan University，Changsha 410082，China
2.Institute of Computing Technology，Chinese Academy of Sciences，Beijing 100080，China

Received:2008-01-04 Revised:2008-04-01 Online:2009-02-11 Published:2009-02-11
Contact: NIE De-xin

摘要/Abstract

摘要： 提出一种从链路层分类包流量的角度研究网络流量自相似性的方法。使用优化的R/S（rescaled range）法计算Hurst指数，发现分类包流量和总流量一样呈自相似性，并用ON/OFF网络流量模型解释分类包流量自相似的物理原因；并使用主成分分析法研究分类包流量对总流量自相似性的影响，得出大于512 B的分类包（大象包）是影响总流量自相似性的主要原因。实验表明该方法是快速有效的。

关键词: 网络流量, 自相似性, Hurst指数, R/S法, 主成分分析法

Abstract: A novel method of studying self-similarity of network traffic is presented.By measuring online the network traffic of classified packets of a backbone link layer in OC-48 POS in a metro area network in long-term，the Hurst exponents of classified packets are been estimated by the method of R/S（rescaled range）.The network traffic of the classified packets is self-similarity and the reason is explained by the ON/OFF traffic model.Then the influence of the traffic of classified packets on the self-similarity of the total traffic is researched by the method of PCA（Primary Component Analysis） and find that the self-similarity characteristic of the total traffic is mainly caused by the classified packets whose lengths are under 512 byte.Finally，the result of the experiment shows that the method is effective.

Key words: network traffic, self-similarity, Hurst exponent, R/S, Primary Component Analysis（PCA）

聂得欣¹,袁小坊^1,2,王东¹,谢高岗². 链路层分类包的网络流量自相似性研究[J]. 计算机工程与应用, 2009, 45(5): 129-131.

NIE De-xin¹,YUAN Xiao-fang^1,2,WANG Dong¹,XIE Gao-gang². Study of self-similarity characteristic of network traffic based on classified packets of data link layer[J]. Computer Engineering and Applications, 2009, 45(5): 129-131.

[1]	康梦轩，宋俊平，范鹏飞，高博文，周旭，李琢. 基于深度学习的网络流量预测研究综述[J]. 计算机工程与应用, 2021, 57(10): 1-9.
[2]	顾兆军，吴优，赵春迪，周景贤. 流量的集成学习与重采样均衡分类方法[J]. 计算机工程与应用, 2020, 56(6): 86-91.
[3]	洪征，龚启缘，冯文博，李毅豪. 自适应聚类的未知应用层协议识别方法[J]. 计算机工程与应用, 2020, 56(5): 109-117.
[4]	李松，周亚同，池越，何静飞，张世立. 高斯过程混合模型应用于网络流量预测研究[J]. 计算机工程与应用, 2020, 56(5): 186-193.
[5]	刘成士，赵志刚，李强，吕慧显，董晓晨，李金霞. 加强的低秩表示图像去噪算法[J]. 计算机工程与应用, 2020, 56(2): 216-225.
[6]	钟倩，杨丽，梁志贞. 基于样本加权的格拉斯曼平均算法[J]. 计算机工程与应用, 2017, 53(22): 126-129.
[7]	万倬1，2，朱嘉钢1，2，陆晓2. 图像特征抽取的MDNIB2DPCA方法[J]. 计算机工程与应用, 2016, 52(9): 177-183.
[8]	汤萍萍1，2，王再见1，王冬菊1. 分段Hurst指数感知的流级别分类[J]. 计算机工程与应用, 2016, 52(24): 11-18.
[9]	董军1，张勇2. 快速路交通流时间序列的多重分形分析[J]. 计算机工程与应用, 2016, 52(10): 227-230.
[10]	殷荣网. 基于FCM-LSSVM网络流量预测模型[J]. 计算机工程与应用, 2016, 52(1): 105-109.
[11]	陈鸿星. 基于ELM-LSSVM的网络流量预测[J]. 计算机工程与应用, 2015, 51(24): 73-77.
[12]	黄芳1，刘元君1，陈波2. 组合核函数高斯过程的网络流量预测模型[J]. 计算机工程与应用, 2015, 51(19): 93-97.
[13]	李胜，韩永亮，李军文. 回采工作面瓦斯涌出量耦合预测模型研究[J]. 计算机工程与应用, 2015, 51(16): 1-5.
[14]	尹向东，杨杰，屈长青. CPSO算法优化神经网络重构的网络流量预测[J]. 计算机工程与应用, 2014, 50(9): 65-68.
[15]	张显江1，刘小强2. 一种参数联合优化的网络流量非线性预测模型[J]. 计算机工程与应用, 2014, 50(6): 64-67.

链路层分类包的网络流量自相似性研究

Study of self-similarity characteristic of network traffic based on classified packets of data link layer

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics