论文部分内容阅读
随着互联网的快速发展，网络的复杂性与异构性也不断提高，具体表现在以下几个方面:网络及其中传输的流量规模不断扩大;网络元素间的连接关系日益复杂;网络应用种类呈多元化发展趋势。这就对网络管理技术提出了更高的要求，使其面临着前所未有的巨大挑战:多样化的网元设备与复杂的网络结构急需新的规范化管理模式;融合网络性能监测和应用性能管理是未来网络管理的主要发展趋势;需要对海量数据进行分析并从中挖掘出潜在信息，使得网络管理由被动转向主动乃至自动化。在这样的背景下，本文将大数据技术与网络管理相结合，对大规模网络性能管理展开了研究，主要研究内容包括以下几个方面: 1、贯穿网络性能、应用服务和用户体验三个层面，提出一种基于OLAP的多层网络管理数据模型，从多层次、多角度全面细致地对复杂的网络结构及其内部的层次关系进行定量和定性分析，使网络管理员能够灵活地观测网络运行状况，为网络资源的规划、调整和优化提供指导性依据，实现稳定的网络运营与高效的资源管理。 2、归纳设计出一种基于大数据技术的网络性能分析系统框架，实现了按照多种时间粒度，对海量异构数据从采集、传输、存储、分析直到最终展示的端到端流程化处理，此外，还支持产出策略性结果用以反馈作用回被监控网络，从而调节性能。该系统适用于任何类型及规模大小的被监控网络，只需按照分析需求确定数据源获取方式、分析时间粒度以及监测指标的计算逻辑，即可实现对网络的自动化分析和可视化监控。 3、针对SDN（Software Define Network）数据中心网络，基于Spark Streaming实现了一种准实时负载均衡监控与自动化反馈调节系统，并在借鉴以往算法的基础上，改进融入了应用性能和用户体验影响因子，结合网络性能管理(Network Performance Management，NPM)、应用性能管理(Application PerformanceManagement，APM)和用户体验(User Experience，UE)三个层面，使用大数据技术进行网络管理监控，主动式自动化地调整规划网络资源，尽可能优化全局网络资源利用率，并使终端服务质量处于较高水平。该系统具有计算分析快速精确、对网络规模数据量的扩展性好、易于维护且安全性高、网络资源占用少、网络运行状态可视化和闭环自动化调整网络性能等优点。