基于机器学习的网络拓扑测量技术优化研究

1144766066 · 发表于 2022-4-18 22:22:46

题目：

雅宝题库答案：

****此区域为收费内容**** 需支付 1 知识币后可查看，1币=0.01元查看答案

雅宝题库解析：
通过测量的方式获取Internet网络拓扑数据对理解网络结构和特性起着非常重要的作用。Internet网络拓扑测量技术近年来得到越来越多的关注。目前，研究人员主要采用基于Traceroute的主动测量技术收集Internet的网络拓扑结构，通常采用少量的探测点到大量的目的点进行探测。然而，这种方法得到的网络拓扑并不完整，而且在探测过程引入了较大的误差。在此基础上，本文对优化Traceroute拓扑探测技术进行了多方面的研究。其意义在于，在不增加部署和探测代价的情况下通过优化探测方法使Traceroute在探测过程中获取更完整的拓扑映射；其次通过对探测结果的处理及修正削弱采样偏差对拓扑性质的影响，同时为网络拓扑建模及未来更大规模的IPv6网络拓扑研究提供数据及方法。本文的主要研究成果有以下两点：第一，本文首次将机器学习应用于预测探测点的接口发现数量，并使用该预测值进行探测点集合的选取。先前的方法通常利用探测点的单一属性来进行探测点的选取和部署，目前性能较优的方法则需要事先部署候选探测点并进行少量探测，这就大大限制了探测点的选择范围、增加了选取的代价。本文提出的基于机器学习的方法结合了探测点的多种属性，并且不需要事先进行额外的部署及测量工作，其性能在一定条件下优于事先探测的方法，优化了Traceroute探测所能发现的接口数以及链路数。第二，在探测的基础上，本文进一步研究了Traceroute的采样偏差题目，并尝试在采样结束后削弱采样偏差。本文利用实验的方法，分析经Traceroute采样得到的度分布与原度分布之间的关系，提出RW-Traceroute方法对其采样偏差修正。本文通过两种常见的模拟图对发现的规律进行数学拟合，从实验的角度证明了RW-Traceroute的主要表达式。随后在模拟网络和真实网络拓扑图上验证了RW-Traceroute修正Traceroute采样度分布的效果。结果表明，修正后的结果更加接近原图。

基于机器学习的网络拓扑测量技术优化研究

天涯海角也要找到Ni：基于机器学习的网络拓扑测量技术优化研究

相关帖子

QQ微信同步：1144766066。

服务

网站

战略合作