[发明专利]基于遗传算法的网络关键节点的自相似流量生成简化方法

说明书

技术领域

本发明属于电子信息技术领域，涉及到基于遗传算法的网络流量生成方法，具体提供一种基于遗传算法的网络关键节点自相似流量生成简化方法。 

背景技术

近年来的研究表明，关键节点发生拥塞故障对整个网络系统可靠性水平有重大的影响。一般而言，关键节点为网络拓扑中与其连接的节点数最多的节点。网络拥塞故障是由于大量的流量施加到网络构件上，致使构件所承受的应力持续超过其固有的网络资源容量的持续过载的现象。在可靠性分析中，关键节点的应力分析是网络性能及可靠性研究的重要内容，其中关键节点所承载流量的统计特征是主要研究内容之一。 

仿真和试验已成为网络性能及可靠性研究的重要手段。在网络仿真或试验中，首先需要解决流量输入过于复杂的问题。当前，仿真及试验中的流量生成方法通常是根据实际网络的使用情况在各个终端配置相应的流量输入，需要考虑信息源、信息目的、任务开始以及结束的时刻、每一个信息源的信息分布等众多因素，不同的信息源由于业务类型不同需要按照不同的模型配置输入，对于大规模网络，这种流量输入方式十分繁琐。近年来，人工智能算法由于能够刻画网络流量的非线性特征而在网络流量生成中的应用越来越广。遗传算法是人工智能领域中一种常用的解决最优化问题的搜索启发式算法。开/关模型是一种常用的流量模型，通过源端级网络节点生成流量，通过配置流量传输路径，可以在中间节点形成生成自相似流量。在仿真和试验中，利用开/关模型模拟流量生成机制，基于遗传算法寻找最优模型参数，进而实现相似流量的生成为网络仿真和试验中的流量生成方法指明了一条思路。 

当前，以开/关模型为仿真或试验流量输入模型的方法还存在如下问题：在网络仿真及试验中，如何快速地自适应地选取模型输入参数，使得在网络中某些关键节点所承载的流量与模拟流量统计特征更加接近的同时，还能节省模型参数选择所花费的时间，提升仿真和试验的效率。 

发明内容

本发明提供了一种基于遗传算法的网络关键节点自相似流量生成简化方法，目的是为了解决对于特定拓扑结构网络试验或仿真时流量输入过于复杂的问题。 

本发明提供的基于遗传算法的网络关键节点自相似流量生成简化方法，通过网络中流量的三个统计特征：流量均值、流量方差以及自相似参数来描述网络流量的分布情况，如果简 化前后流量的三个统计特征量相同，则说明简化前后的网络流量分布保持一致。在进行本发明方法前，获取了节点目标流量的三个统计特征值。 

本发明的基于遗传算法的网络关键节点自相似流量生成简化方法，具体步骤如下： 

步骤一：构建网络拓扑结构图，并确定关键节点；设网络的邻接矩阵为A((a_ij)_n×n)，其中，当节点i,j相连时，a_ij=1，否则a_ij=0；设网络中只有边缘节点产生数据流量，且每个边缘节点的用户都始终使用同一种业务。 

步骤二：构建边缘节点开/关模型，确定模型参数初值； 

首先，对每个边缘节点，以等概率随机选择一个目标节点，设边缘节点S(i)的目标节点为T(j)，S(i)将数据沿最短路径Path(i)发送到T(j)，边缘节点均按照如下开/关模型产生流量： 

（1）节点严格处于开或者关状态，且开、关状态严格交替；节点处于开状态时以恒定速率v产生数据，处于关状态时不产生数据； 

（2）节点的开/关状态的持续时间相互独立且均服从帕雷托(k,α)重尾分布，其中，α是随机变量的最小可能值，k是正的参数。 

(v,k,α)构成边缘节点开/关模型的参数组。 

然后，根据关键节点的目标流量统计特征：流量均值流量方差以及自相似参数H^*，配置边缘节点开/关模型的参数值： 

（1）根据确定其中M为网络中不同的边缘节点传输流量时，边缘节点的传输路径中经过关键节点的路径总条数，称M为关键节点的介数； 

（2）帕雷托(k,α)分布中α＝3-2H^*；