[发明专利]应用于NS3并行仿真的网络分割优化算法

说明书

本发明提供了一种应用于NS3并行仿真的网络分割优化算法，包括以下步骤：S1、通过解析Netflow数据获得流量矩阵；再读取数据库中的路由表，生成路由矩阵文件；S2、生成链路流量和节点流量，通过路由矩阵文件和流量矩阵生成链路流量，将链路流量结合链路连接状况文件生成节点流量；S3、生成对应Metis划分算法的CSR格式文件，通过标准化链路权重和节点权重，生成对应Metis划分算法的CSR格式文件。本发明通过对采集到的Netflow流量数据进行处理，采用流量矩阵生成方法，计算得到节点和链路的流量数据，获得节点和链路的权重，最后利用Metis算法根据节点和边的权重对原始网络拓扑进行分割，能够使得各个分割内的仿真任务量均衡，从而提高整个NS3并行仿真系统的时间效率。

技术领域

本发明属于计算机仿真技术领域，特别涉及一种应用于NS3并行仿真的网络分割优化算法。

背景技术

计算机仿真是指对实际或虚拟系统行为模型在一定时间内进行计算模拟。从二十世纪六七十年代开始，科学技术不断发展，人类在许多领域的研究所建立的模型越来越庞大，如：复杂网络、天气预报、新药开发、智能机器、飞机试航、石油勘探、实时经济规划、核物理和等离子物理等，所需计算量惊人地增加，普通串行仿真完成时间过长，越来越不能满足人们的需求，于是并行仿真已经成为计算模拟大型复杂模型的重要手段。

通过划分算法，把大型仿真任务分割为一定数量的子任务，并分配给对应数量的处理器上分别运行，这样就可以并行运行原来的串行任务，从而大量减少仿真时间。其实并行仿真更接近现实世界，因为现实世界中的事物都是联系而又独立的。在并行和分布式仿真中，如何使任务负载均匀地划分到各个处理器上，且处理器之间通信最少，是一个影响仿真性能的重要问题。图划分算法正是解决这一问题的主要手段。除了并行负载划分问题，图划分算法在许多领域都有重要应用，如：大规模集成电路、分布式存储、任务调度等。使用普通暴力穷举法的图划分算法的时间消耗会随着图规模的增大而指数级增大，而得到图划分算法的最优解已被证明是NP完全问题，所以大多数都采用耗时更少的启发式算法(Heuristic Algorithm)来得到较好的划分结果。因此，设计出优秀的图划分算法尤为重要。

网络仿真通过对网络建模研究网络行为快速得到网络运行状态和网络进行改变后对整个网络的影响结果，对于网络结构优化和新业务调整都具有很重要的实际意义。所以采用并行来减少仿真运行时间是研究大型复杂网络必要的手段。目前已有的以NS3作为平台开发的网络模拟仿真系统，随着网络拓扑规模的不断扩大，仿真系统虽通过并行仿真提高了一定的仿真效率，但由于部分实现方法的一些限制，并行仿真效率的提升并不能满足数据量的提高。

Brian Kernighan和Shen Lin在1970年提出的KL算法是最经典的启发式图划分算法之一。KL算法先以任意方式将图G＝(V,E)划分为指定规模的两个划分，可以随机划分，也可以按一定约束划分。然后对于任何两个顶点处于两个不同划分的顶点对(v_i,v_j)，交换两个顶点的位置并计算交换前后两个划分之间通信量的变化情况。找到使通信量减小最多或增加最少的顶点对，然后交换两个顶点。重复上述过程，其中每个顶点只能被移动一次，直到通信量没有改善为止。由于算法中随机性的存在，导致两次运行KL算法一般不能获得同样的划分结果。算法的复杂度为O(n^3)，所以仅适用于只有几百到几千个顶点的图，而不适用于更为大型复杂的图。

NS3网络模拟仿真系统中提出了基于SNMP数据生成权重的KL划分算法。通过采集SNMP(Simple Network Management Protocol，简单网络管理协议)数据，可以获得对应端口和链路的流量负载数据，KL划分算法流程如图1所示。但由于采集SNMP数据和生成任务的Netflow分属于两个不同的模块，并不能做到严格意义上的同步，即保证生成的权重和仿真的任务是在同一时间段上。这就会导致最后通过划分算法生成的划分结果，存在一定的误差,导致划分结果不均衡，划分之间通信量过大等情况，严重影响最后的并行仿真效率，达不到预期并行仿真的优化效果。

发明内容