【摘 要】
:
网络测量算法是网络应用的基础,在计算机网络中扮演着十分重要的作用。在大数据、云计算背景下,网络流量大幅增长,传统的网络测量算法都是在控制平面内基于CPU采样实现的,准确性低。软件定义网络的提出为网络测量算法提供了新的思路。软件定义网络提供的可编程数据平面使得网络硬件的报文处理功能可以通过软件的方式定义,用户可以灵活地在数据平面内进行编程,将网络报文的转发与网络测量任务结合起来。可编程数据平面高吞吐
论文部分内容阅读
网络测量算法是网络应用的基础,在计算机网络中扮演着十分重要的作用。在大数据、云计算背景下,网络流量大幅增长,传统的网络测量算法都是在控制平面内基于CPU采样实现的,准确性低。软件定义网络的提出为网络测量算法提供了新的思路。软件定义网络提供的可编程数据平面使得网络硬件的报文处理功能可以通过软件的方式定义,用户可以灵活地在数据平面内进行编程,将网络报文的转发与网络测量任务结合起来。可编程数据平面高吞吐率的硬件可以实现对每一个报文线速的转发和测量。然而,可编程数据平面的高吞吐率对程序能够执行的操作提出了很多限制,硬件设备的存储空间和资源都有限制,测量算法设计的难点在于必须遵守这些限制。本文首先提出了一种在可编程数据平面内实现报文准确计数的算法,它利用滑动窗口的工作机制,能够适应可编程数据平面的特点和限制。实验表明,滑动窗口报文计数实现了对报文的准确计数。由于硬件算法实现和验证的复杂性,过去的工作主要基于软件模拟来测试测量算法的准确性。然而实际应用场景中由于数据平面和控制平面并发对测量数据的操作,会使数据出现不一致的情况,大大降低测量精度。为了解决数据不一致问题,本文提出了一种双缓冲机制,并且针对双缓冲机制的特点,对数据平面和控制平面都进行了改进,最终实现双缓冲机制下的全网络范围内的网络测量。在Tofino可编程交换机上实现双缓冲机制并进行测试,结果表明双缓冲机制有效地挺高了测量的准确性,减少了通信开销。
其他文献
在现场标定过程中,实验室所用的转台精度高、体积大,而在实际重力测量过程中,难以提供如此高精度的三轴转台,而加速度计组件的参数稳定性较差,存在参数漂移问题和逐次启动不重复性误差,需要对加速度计组件进行现场标定。因此,为降低标定方法对高精度转台的依赖,本文研究了多种加速度计现场标定技术,为保证加速度计参数的可观性,本文选用精度相对较低的双轴转台为标定提供足够的观测位置。本文的主要工作如下:1.研究了静
以常导高速磁浮列车相对位置传感器模拟检测与诊断技术为研究对象,提出基于等效负载的检测方法模拟传感器在实际轨道上的工作状况;针对检测方法存在的缺陷进行分析,提出三种优化方法并进行验证和对比;在此基础上,采用KPCA对传感器进行离线故障检测和诊断;最后将等效负载检测方法和传感器故障诊断算法进行了工程实现,设计了一套传感器离线测试台。主要研究内容如下:1、建立了传感器等效电感模型,对等效负载检测方法进行
随着信息技术的不断发展和网络基础设施的不断建设壮大,移动互联网已经成为当今互联网的主要组成部分,针对移动互联网的取证研究和流量分析等领域的重要性日益凸显。针对移动互联网的数据研究以人为捕获的移动端流量为基础,如何高效率地捕获具有详细信息的流量数据是当今移动流量研究的难题之一;移动互联网流量以各类APP产生的流量为主体,通过对移动APP的逆向研究辅助移动互联网流量研究也是常用的技术手段之一。本文首先
数据驱动的深度学习方法因其强大的特征提取能力已经被广泛用于雷达自动目标识别的研究。深度学习能够自动从大量的训练样本中学习数据的特征。与传统的机器学习方法相比,深度学习有更强的提取目标的语义特征的能力,在识别任务中通常有更好的性能。但通常情况下,有标签的雷达数据比较少,不能满足深度学习的训练要求,会导致严重的过拟合现象。此外,雷达传感器容易受到噪声的干扰,雷达回波受其与目标之间的相对角度以及相对位移
随着深度学习的不断发展,基于深度神经网络的应用越来越广泛,并在很多应用领域上取得巨大成功。但是,由于神经网络模型尚缺乏合理的可解释性,导致基于神经网络的系统在安全性和可靠性保障上面临巨大挑战。鲁棒性(Robustness)是衡量神经网络模型安全性和可靠性的重要属性。当前研究重点关注的是神经网络的局部(Local)鲁棒性,即神经网络模型N在给定样本x0以及扰动范围δ的前提下,样本空间中满足‖x-xo
以高速磁浮列车主动导向系统为研究对象,在建立基于搭接结构的导向系统数学模型的基础上进行控制器设计与仿真实验。针对导向系统在列车实际运行过程中可能出现的电磁铁故障和传感器故障以及端部涡流问题展开容错控制方面的研究。主要内容如下:1、在分析导向系统的结构组成、工作原理及控制方案的基础上,建立了导向系统的标称数学模型。并把系统可能受到的扰动和发生的故障考虑到其中,建立导向系统的故障模型。2、采用线性二次
随着互联网的飞速发展,用户、企业、运营商和政府对网络的要求也越来越高,这其中既包含了对服务质量的高要求,也包含了对网络安全的高要求。大量测量机构对互联网展开了大规模的测量,得到了海量的测量数据,这些数据中隐藏着互联网的拓扑结构、连通特性、基础设施运行状态等等诸多信息,研究者通过对这些信息的挖掘与分析,为网络建设和网络安全提供帮助。与此同时,也有很多研究者利用这些数据对互联网协议、路由等展开研究,以
作为众多深度学习中最热门的算法之一,卷积神经网络(Convolutional Neural Networks,CNN)在计算机诸多应用中都取得了很大的成功,广泛应用于语音识别、图像分割、图像识别等领域。为了提高网络性能,网络层数和规模逐渐增加。但是,简单地依靠网络层数增加的方式遭遇到了瓶颈,因此一些新型卷积神经网络相继被提出,比如反卷积神经网络和复杂连接的卷积神经网络。这些网络模型的结构更加复杂,
多智能体系统是分布式人工智能的一个重要分支,在无人系统协同、资源管理、队形控制等领域有着广泛的应用。近年来,深度强化学习被应用于多智能体领域,在应对动态开放环境、知识可迁移等方面表现出显著优势。然而,当前多智能体深度强化学习方法在应用中也存在如下问题:(1)训练过程中的过时经验问题。深度强化学习的训练依赖历史经验,然而在多智能体场景下,所有智能体的行为策略都在动态进化,使得单个智能体经验回放池中的
石墨烯作为最薄的二维材料之一,具有硅等传统材料无法比拟的优越特性,超高的杨氏模量与载流子迁移率、优良的压阻效应使其在压力传感领域拥有广阔的应用前景。现有研究已实现压阻式悬浮石墨烯薄膜压力传感器制备并达到了较高的灵敏度。然而,已有石墨烯压力传感器存在理论模型指导不准确、器件成品率低、受温度影响大等问题。针对这些问题,本文主要研究悬浮石墨烯薄膜压力传感器优化设计方法,包括改进传统压阻效应模型,并将其用