三元分組列車(chē)的網(wǎng)絡(luò)拓?fù)湔撐姆段?/h1>
本站小編為你精心準(zhǔn)備了三元分組列車(chē)的網(wǎng)絡(luò)拓?fù)湔撐膮⒖挤段模高@些范文能點(diǎn)燃您思維的火花，激發(fā)您的寫(xiě)作靈感。歡迎深入閱讀并收藏。
三元分組序列測(cè)量的性能參數(shù)包括時(shí)延抖動(dòng)和丟包率，將時(shí)延抖動(dòng)和丟包率按比例結(jié)合，即可作為節(jié)點(diǎn)間的相關(guān)性．設(shè)T=(V，L)表示樹(shù)狀拓?fù)洌渲蠽為節(jié)點(diǎn)集，L為鏈路集．令a(i，j)為葉節(jié)點(diǎn)i和j的父節(jié)點(diǎn)，在源節(jié)點(diǎn)s，三元分組列車(chē)內(nèi)2個(gè)短分組的發(fā)送間隔為T(mén)，短分組的目標(biāo)地址為Dx，長(zhǎng)分組的目標(biāo)地址為Dy．
丟包率［8］，是指測(cè)試中所丟失數(shù)據(jù)包數(shù)量占所發(fā)送數(shù)據(jù)包的比率，通常在吞吐量范圍內(nèi)測(cè)試．將丟包率和時(shí)延抖動(dòng)兩個(gè)參數(shù)相結(jié)合，計(jì)算節(jié)點(diǎn)間的相關(guān)性，使得此算法在任何網(wǎng)絡(luò)負(fù)載下都能推斷出正確的結(jié)果．為了適應(yīng)背景流量動(dòng)態(tài)變化的網(wǎng)絡(luò)，該文中使用報(bào)文丟包率來(lái)平衡丟包率和時(shí)延抖動(dòng)在節(jié)點(diǎn)相關(guān)性計(jì)算中所占的比重，由于丟包率和時(shí)延抖動(dòng)是兩個(gè)不同量綱的參數(shù)，故先將這兩個(gè)參數(shù)標(biāo)準(zhǔn)化，之后對(duì)它們加權(quán)求和．設(shè)D(T)、D(E)分別是T和E的方差;M(T)和M(E)分別是T和E的最小值;Tij表示目標(biāo)節(jié)點(diǎn)對(duì)為(i，j)時(shí)的時(shí)延抖動(dòng);Eij表示目標(biāo)節(jié)點(diǎn)對(duì)上述計(jì)算相關(guān)性的方式，在丟包較嚴(yán)重時(shí)主要依據(jù)為丟包率，而在丟包較輕時(shí)，主要依據(jù)為時(shí)延抖動(dòng)，達(dá)到在任何負(fù)載情況下都能準(zhǔn)確表征節(jié)點(diǎn)之間的相關(guān)性．
2仿真實(shí)驗(yàn)及性能分析
2．1仿真實(shí)驗(yàn)基于NT技術(shù)的網(wǎng)絡(luò)拓?fù)渫茢嗍歉鶕?jù)在邊緣節(jié)點(diǎn)收集到的信息，推斷中間節(jié)點(diǎn)的連接情況．以圖4為例，在NS2［10］環(huán)境下進(jìn)行了多個(gè)仿真實(shí)驗(yàn)，實(shí)驗(yàn)中采用樹(shù)狀拓?fù)浣Y(jié)構(gòu)．背景流量以TCP為主同時(shí)包含適當(dāng)?shù)腢DP，采用發(fā)送時(shí)間受控的可變速率CBR數(shù)據(jù)包用來(lái)模擬網(wǎng)絡(luò)負(fù)載情況．假定網(wǎng)絡(luò)內(nèi)部節(jié)點(diǎn)采用隨機(jī)檢測(cè)(RED)丟包策略，與葉節(jié)點(diǎn)相連的鏈路帶寬均為500Kbps，時(shí)延為10ms;其他鏈路帶寬為1Mbps，時(shí)延為15ms;內(nèi)部節(jié)點(diǎn)緩沖區(qū)大小為20．三元分組列車(chē)內(nèi)兩個(gè)短分組之間的時(shí)間間隔為10ms，每輪發(fā)送的三元分組列車(chē)序列由50個(gè)三元分組組成，在不同的網(wǎng)絡(luò)負(fù)載情況下，進(jìn)行多輪測(cè)量．根據(jù)樣本丟包率的取值區(qū)間［0，0．01)、［0．01，0．1)、［0．1，0．2］將網(wǎng)絡(luò)負(fù)載分為較輕、適中和較重三種情況．采用了樹(shù)編輯距離［11］作為評(píng)價(jià)推斷拓?fù)涞挠行詤?shù)，其代表了推斷樹(shù)與原拓?fù)錁?shù)之間轉(zhuǎn)換的最小開(kāi)銷(xiāo)．用橫坐標(biāo)表示探測(cè)包的發(fā)送輪數(shù)，縱坐標(biāo)表示樹(shù)編輯距離，在三種情況下分別將單參數(shù)算法與綜合雙參數(shù)的算法進(jìn)行比較，仿真結(jié)果如圖9、圖10、圖11所示．圖9－11為仿真試驗(yàn)中使用不同推斷算法獲得網(wǎng)絡(luò)邏輯拓?fù)鋾r(shí)，樹(shù)編輯距離收斂的結(jié)果．圖9是網(wǎng)絡(luò)負(fù)載較輕的情況下，兩種算法的比較，圖中顯示，負(fù)載較輕情況下單參數(shù)測(cè)量與雙參數(shù)測(cè)量的效果近似相同，當(dāng)探測(cè)包的發(fā)送輪數(shù)大于80(即探測(cè)包個(gè)數(shù)為400)時(shí)，樹(shù)編輯距離的收斂速度均趨于穩(wěn)定．圖10顯示網(wǎng)絡(luò)負(fù)載適中情況下，兩種算法的推測(cè)的有效性，顯然，雙參數(shù)的推測(cè)效果優(yōu)于單參數(shù)，但此時(shí)基于單參數(shù)的推測(cè)算法還是有效的．圖11為網(wǎng)絡(luò)負(fù)載較嚴(yán)重的情況下，兩種算法的效果比較，此時(shí)，可以看出，單參數(shù)方法的推測(cè)準(zhǔn)確度明顯降低，而雙參數(shù)方法的收斂受到網(wǎng)絡(luò)負(fù)載的影響并不很明顯．顯然綜合參數(shù)的算法，在任意負(fù)載情況下均具有有效性，故其準(zhǔn)確度和有效性均優(yōu)于單參數(shù)的算法．
2．2性能分析對(duì)于圖4所示拓?fù)洌凑找话愕耐負(fù)渫茢喾椒ǎl(fā)送的探測(cè)包的葉節(jié)點(diǎn)對(duì)數(shù)量將是C215=105對(duì)，而使用該文提出的方法，葉節(jié)點(diǎn)對(duì)的個(gè)數(shù)是45對(duì)，探測(cè)包的發(fā)送量減少了57%．但此方法對(duì)于探測(cè)包的發(fā)送量與拓?fù)浣Y(jié)構(gòu)關(guān)系較大，若目標(biāo)網(wǎng)絡(luò)的拓?fù)涫菨M(mǎn)二叉樹(shù)，且所有節(jié)點(diǎn)均在最下層，最好情況下僅需(n－1)對(duì)目標(biāo)地址對(duì)即可完成網(wǎng)絡(luò)拓?fù)涞耐茢啵绯俗钕聦樱繉觾H有一個(gè)葉節(jié)點(diǎn)的二叉樹(shù)．總體而言，網(wǎng)絡(luò)結(jié)構(gòu)層次越復(fù)雜，越能突出此算法的優(yōu)勢(shì)．但此方法的推斷準(zhǔn)確度不受目標(biāo)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)的影響，任何形式的拓?fù)渚苡纱朔椒ㄍ瞥觯覝?zhǔn)確度高于一般的推斷方法，可通過(guò)仿真實(shí)驗(yàn)證明．
3結(jié)束語(yǔ)
提出的推斷方法適用于任意規(guī)模、任意負(fù)載情況的網(wǎng)絡(luò)拓?fù)渫茢啵以谀繕?biāo)網(wǎng)絡(luò)拓?fù)漭^復(fù)雜時(shí)，能在很大程度上減少探測(cè)包的發(fā)送量，減輕了額外往網(wǎng)絡(luò)中注入的流量．但是在探測(cè)包的縮減方面還有待提升，還未將算法的應(yīng)用推廣到網(wǎng)狀拓?fù)涞耐茢嘀校?/p>
作者：吳辰文謝云燕孔德弟單位：蘭州交通大學(xué)