發(fā)布時(shí)間：2020-12-02 11:21

　　自治域穩(wěn)定性狀態(tài)能夠影響網(wǎng)絡(luò)服務(wù)的可達(dá)性、可靠性。對(duì)自治域的穩(wěn)定性狀態(tài)進(jìn)行監(jiān)控與檢測(cè)有利于優(yōu)化網(wǎng)絡(luò)服務(wù)的質(zhì)量,發(fā)現(xiàn)并定位網(wǎng)絡(luò)服務(wù)故障。由于全球自治域路由拓?fù)涞膹?fù)雜性,自治域路由數(shù)據(jù)的量非常龐大。為了進(jìn)行準(zhǔn)確的快速的穩(wěn)定性異常檢測(cè)需要設(shè)計(jì)實(shí)現(xiàn)特定的算法與系統(tǒng)架構(gòu)。以往的研究未能同時(shí)解決對(duì)自治域穩(wěn)定性異常的準(zhǔn)確檢測(cè)與對(duì)全局自治域的穩(wěn)定性狀態(tài)的實(shí)時(shí)監(jiān)控兩個(gè)問題。自治域間的路由報(bào)文更新狀態(tài)在時(shí)間和空間維度中具有一定的相關(guān)性和相似性。本課題基于自治域的更新報(bào)文數(shù)量的變化動(dòng)態(tài)來對(duì)域間路由系統(tǒng)中的各個(gè)自治域進(jìn)行聚類特征的分析與挖掘。采用離散小波變換對(duì)更新報(bào)文數(shù)量的時(shí)序序列進(jìn)行轉(zhuǎn)換,提出了基于路由異常事件的自治域相似度度量方法,并給出了具體的迭代式聚類算法。進(jìn)一步,基于提出的聚類算法以及采集的路由更新數(shù)據(jù),對(duì)自治域進(jìn)行了聚類分析�；�于自治域聚類結(jié)果以及域之間的相關(guān)關(guān)系構(gòu)建一個(gè)自治域鏈接狀態(tài)異常預(yù)測(cè)模型（CAAP,Clustering-based AS Abnormal Prediction）,通過部分自治域的穩(wěn)定性狀態(tài)來推測(cè)出其余自治域的穩(wěn)定性狀態(tài)�；�于所提模型,本課題設(shè)計(jì)并實(shí)現(xiàn)了自治域異常實(shí)時(shí)檢測(cè)系... 

【文章來源】：北京郵電大學(xué)北京市 211工程院校 教育部直屬院校

【文章頁數(shù)】：87 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖２－１基于ＰＣＡ的異常事件檢測(cè)算法流程間??根據(jù)路徑下一跳是否發(fā)生變化來構(gòu)造時(shí)序序列是另一種檢測(cè)穩(wěn)定性異常的??方法［１１］

＿ＵＵ．．．．．．１０８２９９１００００?Ｊ?ｐｉ?ａ?ｏｃｒ?ｐ２??圖２－１基于ＰＣＡ的異常事件檢測(cè)算法流程間??根據(jù)路徑下一跳是否發(fā)生變化來構(gòu)造時(shí)序序列是另一種檢測(cè)穩(wěn)定性異常的??方法［１１］。例如ＰａｔｈＭｉｎｅｒ［１２］，該方法重點(diǎn)關(guān)注路徑的具體變化，能夠發(fā)現(xiàn)事件的??具體影響范圍同時(shí)便于對(duì)事件源進(jìn)行定位。ＰａｔｈＭｉｎｅｒ不但能檢測(cè)異常事件影響??的范圍而且能在一定程度上發(fā)現(xiàn)異常事件的周期性規(guī)律，其檢測(cè)準(zhǔn)確率高但算法??復(fù)雜度高無法適用于需要快速檢測(cè)異常事件的場(chǎng)景。類似的還有基于采集點(diǎn)到源??自治域的各個(gè)時(shí)間段內(nèi)的更新報(bào)文數(shù)量構(gòu)造的三維張量來進(jìn)行大范圍異常檢測(cè)??的算法［１３］。??９??

?＼?Ｃ＾Ｉ），??Ｐｌ：２??圖２－２?ＰａｔｈＭｉｎｅｒ異常檢測(cè)算法流程??２．２．２基于聚類的方法??根據(jù)經(jīng)驗(yàn)對(duì)于一個(gè)自治域在較長(zhǎng)的一段時(shí)間內(nèi)其大部分時(shí)間內(nèi)應(yīng)處于正常??狀態(tài)。在這個(gè)前提基礎(chǔ)上通過對(duì)各個(gè)時(shí)間點(diǎn)的自治域狀態(tài)進(jìn)行聚類，將較小的類??推測(cè)為異常狀態(tài)集合。??Ｉ－ＳｅｉＳｍ〇ｇｒａｐｈ［１４】介紹一種基于聚類的迭代式的異常檢測(cè)算法與計(jì)算框架。該??算法依據(jù)２．３．１小節(jié)中表２－１中描述的各種特征構(gòu)造各個(gè)時(shí)間點(diǎn)的表征自治域特??征的特征向量，使用Ｋ－Ｍｅｄｏｉｄｓ對(duì)各個(gè)時(shí)間點(diǎn)狀態(tài)進(jìn)行多次２分類，每次將較大??的類剔除之后再對(duì)余下的集合進(jìn)行聚類直到分離出的兩類之間的差異小于特定??值，最終的集合即為異常集合。該類方法準(zhǔn)確率高，缺點(diǎn)是只能分別對(duì)多個(gè)自治??域進(jìn)行檢測(cè)，不能同時(shí)檢測(cè)事件影響范圍。??１０??


本文編號(hào)：2895216