论文部分内容阅读
随着互联网规模的不断扩大及其应用的多元化发展,对网络性能监控和运行管理的要求越来越高。因此研究网络流量特征,对网络管理、规划和发展都有重要意义。其中,流量测量是网络测量中一个重要的研究方向,针对网络流量特征、统计信息、异常事件等现象进行的测量和研究,对网络问题的解决、协议的调试、性能评估等方面均有极大的帮助。本文首先从网络流量测量的背景及研究现状着手分析,阐述了流量测量的意义和面临的困难。接着详细介绍了流量测量方法及网络流量的构成,重点阐述了流量抽样方法,并对分组抽样和流抽样进行了详细论述。随后讨论了互联网IP流及大流的定义,剖析了Bloom Filter的结构并分析了其工作原理,对基于Bloom Filters大流抽样的几种方法进行了总结和比较。基于对当前流量测量面临困难的讨论和上述流量测量理论的分析,本文根据Parallel filter和Serial filter的多级判断、层层过滤的优点,设计两级过滤结构来捕获互联网中的大流；根据Parallel filter的四级并行置位难度大以及Serial filter逐级置位效率低,设计基于判别而非置位的过滤方法。从减少置位次数方面着手,降低了传统Bloom Filters大流抽样方式带来的高误正率,而且使用更少的SRAM资源实现了对大流的抽样。本文从结构框架和抽样算法的角度进行探讨,主要在以下三个方面做出了有益的尝试：第一,提出基于两级过滤的大流抽样框架：第一级使用一个Bloom Filter实现对互联网流的初始过滤,从大量的互联网流中抽取接近大流的流；第二级使用一组Bloom Filters实现对接近大流的流的过滤,从中抽取所需的大流。从高速互联网流中逐级过滤出需要抽取的流量信息。第二,设计对应的BF2算法,从减少置位次数方面着手,减少误正情况的发生。对于新到的分组先进行第二级过滤器的判别,再进行第一级过滤器的置位,从根本上减少了第二级过滤器的置位次数,降低了大流的误正率。另外,对算法产生的误正情况进行分析,BF2算法可以在较少的时间复杂度和空间复杂度下,实现互联网中大流的识别并抽样,提高了执行效率。第三,提出定时刷新的方式来减少因长时间置位引发的高误正率,对每级过滤器设置刷新时隙,通过设置阈值和时间间隔在刷新前进行预刷新,尽量减少因定时刷新带来的误正情况。文章最后用仿真实验对互联网流进行模拟,验证BF2算法的正确性和高效性,并将BF2算法与传统的几种方法进行比较,实验结果表明,BF2算法比Parallel filter和Serial filter具有较低的误正率。