CN110855485A - 一种ip骨干网网络流量确定方法和*** - Google Patents
一种ip骨干网网络流量确定方法和*** Download PDFInfo
- Publication number
- CN110855485A CN110855485A CN201911086587.1A CN201911086587A CN110855485A CN 110855485 A CN110855485 A CN 110855485A CN 201911086587 A CN201911086587 A CN 201911086587A CN 110855485 A CN110855485 A CN 110855485A
- Authority
- CN
- China
- Prior art keywords
- network
- snapshot data
- data
- deep belief
- network model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
- H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a network
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
- H04L41/142—Network analysis or design using statistical or mathematical methods
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
- H04L41/147—Network analysis or design for predicting network behaviour
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- Algebra (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Mathematical Physics (AREA)
- Probability & Statistics with Applications (AREA)
- Pure & Applied Mathematics (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明公开了一种IP骨干网网络流量确定方法和***。所述方法包括:构建深度信念网络模型;所述深度信念网络模型为以链路负载数据的快拍数据为输入,以端到端流量值的快拍数据为输出的神经网络模型;采集IP骨干网网络的链路负载数据;将所述链路负载数据进行归一化处理,得到先验测量值;提取所述先验测量值中的快拍数据;将所述先验测量值中的快拍数据输入所述深度信念网络模型,确定所述IP骨干网网络的端到端流量值的快拍数据;根据所述端到端流量值的快拍数据,确定所述IP骨干网网络的流量值。本发明提供的IP骨干网网络流量估计方法和***,能够提高网络流量估计的准确性,且具有估计效率高的特点。
Description
技术领域
本发明涉及网络流量预测技术领域,特别是涉及一种IP骨干网网络流量确定方法和***。
背景技术
信息和通信技术的发展极大地改变了人类生活和生产方式,智能电网、办公自动化等基于Internet技术的业务已经进入人们生活当中。此外,智慧城市、大数据等先进信息理念和技术的提出,对未来人类社会的发展起到了积极的推动作用。Internet的发展使得网络规模急剧增大,网络承载业务类型呈多样化发展,特别是云计算、物联网的兴起使得网络已经成为一个复杂的异构网络。根据第37次《中国互联网络发展状况统计报告》结果显示,截至2015年12月,中国网民规模达6.88亿,全年共新增网民人数3951万人。Internet普及率达到50.3%,并且较2014年底提升了2.4%。为了给予用户方便、快捷的信息交互服务,网络流量急剧增加,这使得网络管理问题日益突出,因此Internet的发展面临着前所未有的挑战。此外,为了防止网络拥塞和抵御DDoS(DistributedDenial ofService)等网络攻击,以此为用户提供有保障的服务质量,有效的网络管理成为维持网络正常运行的关键环节。网络管理者在执行网络管理决策时,需要了解网络运行状态,例如时延、丢包率、吞吐量、带宽和网络流量等等。网络流量估计技术为网络管理者获取网络状态提供了必要的解决方案和技术支持,可有效地提高网络规划、负载均衡、IGP(Interior Gateway Protocol)链路权重设置等网络管理措施的效率。
为了提高网络流量估计的准确性,科学家们起初采用泊松分布、马尔科夫模型、高斯模型、AR模型、ARIMA模型、FARIMA模型、MWM模型、GARCH模型等线性或非线性模型来建模网络流量,以此作为附加信息来估计端到端网络流量,然而这些模型仅描述了网络流量的短相关性。但随着网络的商业化,网络节点数呈指数增长。同时新型网络应用的出现,使得网络流量具有多重统计特征,例如重尾分布、分形特性、自相关特性等特性。所以,对于一个复杂的异构网络,这些经典模型并不能准确对网络的流量进行准确估计。
发明内容
本发明的目的是提供一种IP骨干网网络流量确定方法和***,能够提高网络流量估计的准确性,且具有估计效率高的特点。
为实现上述目的,本发明提供了如下方案:
一种IP骨干网网络流量确定方法,包括:
构建深度信念网络模型;所述深度信念网络模型为以链路负载数据的快拍数据为输入,以端到端流量值的快拍数据为输出的神经网络模型;
采集IP骨干网网络的链路负载数据;
将所述链路负载数据进行归一化处理,得到先验测量值;
提取所述先验测量值中的快拍数据;
将所述先验测量值中的快拍数据输入所述深度信念网络模型,确定所述IP骨干网网络的端到端流量值的快拍数据;
根据所述端到端流量值的快拍数据,确定所述IP骨干网网络的流量值。
可选的,在所述构建深度信念网络模型之前,还包括:
其中,t表示快拍次数,l表示链路编号,L表示网络中链路的数量,n表示端到端流量编号,N表示网络中端到端流量的数量。
可选的,所述深度信念网络模型为基于实测单元的受限玻尔兹曼机模型。
可选的,所述深度信念网络模型中可视层的条件概率P(vi|h)为:
所述深度信念网络模型中隐含层的条件概率P(hj=1|v)为:
其中,表示期望为且方差为1的正态分布,sigm(·)表示sigmoid函数,v=(v1,v2,...,vI)表示可视层单元,h=(h1,h2,...,hJ)表示隐含层单元,I表示可视层单元数量,J表示隐含层单元数量,bi表示可视层偏差,aj表示隐含层偏差。
一种IP骨干网网络流量确定***,包括:
网络模型构建模块,用于构建深度信念网络模型;所述深度信念网络模型为以链路负载数据的快拍数据为输入,以端到端流量值的快拍数据为输出的神经网络模型;
第一数据采集模块,用于采集IP骨干网网络的链路负载数据;
第一先验测量值获取模块,用于将所述链路负载数据进行归一化处理,得到先验测量值;
第一快拍数据提取模块,用于提取所述先验测量值中的快拍数据;
端到端流量确定模块,用于将所述第一先验测量值中的快拍数据输入所述深度信念网络模型,确定所述IP骨干网网络的端到端流量值的快拍数据;
流量值确定模块,用于根据所述端到端流量值的快拍数据,确定所述IP骨干网网络的流量值。
可选的,所述***还包括:
其中,t表示快拍次数,l表示链路编号,L表示网络中链路的数量,n表示端到端流量编号,N表示网络中端到端流量的数量。
可选的,所述深度信念网络模型为基于实测单元的受限玻尔兹曼机模型。
可选的,所述深度信念网络模型中可视层的条件概率P(vi|h)为:
所述深度信念网络模型中隐含层的条件概率P(hj=1|v)为:
其中,表示期望为且方差为1的正态分布,sigm(·)表示sigmoid函数,v=(v1,v2,...,vI)表示可视层单元,h=(h1,h2,...,hJ)表示隐含层单元,I表示可视层单元数量,J表示隐含层单元数量,bi表示可视层偏差,aj表示隐含层偏差。
根据本发明提供的具体实施例,本发明公开了以下技术效果:本发明提供的IP骨干网网络流量估计方法和***,采用构建好的深度信念网络模型,通过对链路负载数据的快拍数据进行深度训练,就可以得到当前网络的端到端网络流量值,这就能够造确保网络流量估计准确性的同时,提高估计效率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例所提供的IP骨干网网络流量估计方法的流程图;
图2为本发明实施例所提供的深度信念网络架构的示意图;
图3为本发明实施例采用DBN和PCA两种方法对Abilene网络进行偏差估计的结果示意图;
图4为本发明实施例采用DBN和PCA两种方法对Abilene网络进行偏差和采样标准差估计的结果示意图;
图5a为本发明实施例采用DBN和PCA两种方法对Abilene网络进行估计时的相对均方根误差结果图;
图5b为本发明实施例采用DBN和PCA两种方法对Abilene网络进行估计时的相对均方根误差的累计分布函数图;
图6为本发明实施例所提供的IP骨干网网络流量估计***的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明的目的是提供一种IP骨干网网络流量确定方法和***,能够提高网络流量估计的准确性,且具有估计效率高的特点。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
本发明进行的仿真实验是采用美国Abilene骨干网和欧洲的骨干网,Abilene骨干网主要用于科研教育,其具有12个节点,30条内链路,24条外链路,144条端到端流量,仿真数据采用5min时间间隔,共计2016个时刻。在本实施中采集2000个时刻的数据作为训练集,流量矩阵可以为144×2000的矩阵。
图1为本发明实施例所提供的IP骨干网网络流量估计方法的流程图,如图1所示,一种IP骨干网网络流量确定方法,其特征在于,包括:
S100、构建深度信念网络模型;所述深度信念网络模型为以链路负载数据的快拍数据为输入,以端到端流量值的快拍数据为输出的神经网络模型;
S101、采集IP骨干网网络的链路负载数据;
S102、将所述链路负载数据进行归一化处理,得到先验测量值;
S103、提取所述先验测量值中的快拍数据;
S104、将所述先验测量值中的快拍数据输入所述深度信念网络模型,确定所述IP骨干网网络的端到端流量值的快拍数据;
S105、根据所述端到端流量值的快拍数据,确定所述IP骨干网网络的流量值。
S100中采集端到端网络流量和链路负载数据,具体包括如下步骤:
步骤A:通过NetFlow采集网络端到端网络流量;
步骤B:通过简单网络管理协议测量链路负载数据;
链路负载数据可通过简单网络管理协议(SNMP)获取,Abilene骨干网有54条链路,此时链路负载为56×2000的矩阵。
S101中所述的将端到端网络流量和链路负载数据进行归一化处理,具体如下:
按照如下公式将端到端网络流量和链路负载数据进行归一化处理:
采用的深度网络信念模型的优化训练过程为:
将归一化先验测量值和的每一次快拍(表示为向量和)分别作为输入和输出,以此训练深度架构。在本发明中,面向流量矩阵估计的深度信念网络架构如图2所示,其包括输入层、输出层和12个隐含层,输入层包括54个输入单元,隐含层和输出层分别含有100个和144个单元,隐含层由深度信念网络架构构成。为了保证流量矩阵估计的准确性,本节采用基于实值单元的RBM(受限玻尔兹曼机)模型,而非传统的二进制RBM模型。
由公式(3)可得
根据公式(4),有
由公式(5)可得:
其中,由公式(6)可得:
对于公式(7)的左侧项,有以下推导:
此时可得
同理,整理公式(7)中的右侧项,有以下结论:
此时可得
由公式(9)和(11)得到
因此,我们可以通过以上公式计算的偏导数。公式(12)中,计算等号右侧的第一项非常容易,然而在计算第二项时需要遍历和所有的可能取值结果。因此,该项可根据CD算法(Contrastive Diverse)计算。CD算法通过对可视层进行采样,通过反复迭代计算隐含层单元和可视层单元,最后得到稳态的分布,并根据该隐含层单元和可视层单元计算第二项。本发明中,依据RBM的训练方法,并结合贪婪的训练方法,逐层训练所提深度架构。
通过以上步骤,我们可根据链路负载数据得到端到端的网络流量估计值。
首先分析基于深度信念网络的流量矩阵估计方法(DBN)和PCA方法的估计偏差和采样标准差,估计偏差和采样标准差定义分别如下:
图3和图4分别显示了两种方法对于Abilene网络数据的估计偏差与采样标准差。图3为两种方法对于Abilene网络数据的估计偏差,x轴表示OD流的ID,并且将根据流量均值进行降序排列。可以看出随着OD流的降低,估计偏差逐渐减小,并且DBN方法具有较小的估计偏差。PCA方法在估计小的OD流时呈现出较多的负估计现象。图4给出了两种方法对于Abilene网络数据的估计偏差与采样标准差,图中可以看出DBN方法不仅具有较低的估计偏差,同时采样标准差也较小。从图3-4中可以得到相比于PCA算法,DBN算法既适合刻画流量长时间尺度的变化情况又善于捕获流量的短时间尺度的抖动。
接下来分析DBN方法和PCA方法对于捕获端到端网络流量的时间相关特性上的能力。本节采用相对均方根误差作为误差度量,分析比较两种方法。相对均方根误差定义为:
其中,X(n,t)和分别表示流量矩阵真实值和估计值。图5a和给出了Abilene网络数据的相对均方根误差,图5(a)中,x轴表示时间,y轴表示相对均方根误差。可以看出,除了在2014时刻,DBN方法和PCA方法的相对均方根误差比较相近外,对于其它时刻,DBN方法的相对均方根误差明显低于PCA方法。DBN方法和PCA方法的相对均方根误差的平均值分别为20%和27%。图5(b)展现了相对均方根误差的累积分布函数,根据该仿真结果,可以明显看出DBN方法具有较低的相对均方根误差。
因此,能够得到本发明所提供的IP骨干网网络流量估计方法和***,采用构建好的深度信念网络模型,通过对链路负载数据的快拍数据进行深度训练,就可以得到当前网络的端到端网络流量值,这就能够造确保网络流量估计准确性的同时,提高估计效率。
此外,本发明还提供了了一种IP骨干网网络流量确定***。如图6所示,该***包括:网络模型构建模块1、第一数据采集模块2、第一先验测量值获取模块3、第一快拍数据提取模块4、端到端流量确定模块5和流量值确定模块6。
其中,网络模型构建模块1构建深度信念网络模型;所述深度信念网络模型为以链路负载数据的快拍数据为输入,以端到端流量值的快拍数据为输出的神经网络模型;第一数据采集模块2采集IP骨干网网络的链路负载数据;第一先验测量值获取模块3将所述链路负载数据进行归一化处理,得到先验测量值;第一快拍数据提取模块4提取所述先验测量值中的快拍数据;端到端流量确定模块5将所述第一先验测量值中的快拍数据输入所述深度信念网络模型,确定所述IP骨干网网络的端到端流量值的快拍数据;流量值确定模块6根据所述端到端流量值的快拍数据,确定所述IP骨干网网络的流量值。
为了对深度信念网络进行优化训练,所述***还包括:第二数据采集模块、第二先验测量值获取模块、第二快拍数据提取模块和优化训练模块。
第二数据采集模块采集IP骨干网网络的端到端流量值和链路负载数据第二先验测量值获取模块将所述端到端流量值和所述链路负载数据通过公式进行归一化处理,得到所述链路负载数据的先验测量值和端到端流量值的先验测量值第二快拍数据提取模块提取所述先验测量值的快拍数据和所述先验测量值的快拍数据优化训练模块将所述快拍数据作为输入,所述快拍数据作为输出,对所述深度信念网络模型进行优化训练;
其中,t表示快拍次数,l表示链路编号,L表示网络中链路的数量,n表示端到端流量编号,N表示网络中端到端流量的数量。
为了保证流量矩阵估计的准确性,本发明中的深度信念网络模型为基于实测单元的受限玻尔兹曼机模型。
该深度信念网络模型中可视层的条件概率P(vi|h)为:
所述深度信念网络模型中隐含层的条件概率P(hj=1|v)为:
其中,表示期望为且方差为1的正态分布,sigm(·)表示sigmoid函数,v=(v1,v2,...,vI)表示可视层单元,h=(h1,h2,...,hJ)表示隐含层单元,I表示可视层单元数量,J表示隐含层单元数量,bi表示可视层偏差,aj表示隐含层偏差。
因上述***所解决的技术问题和达到的有益效果与上述方法雷同,所以此处不再进行赘述。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的***而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (8)
1.一种IP骨干网网络流量确定方法,其特征在于,包括:
构建深度信念网络模型;所述深度信念网络模型为以链路负载数据的快拍数据为输入,以端到端流量值的快拍数据为输出的神经网络模型;
采集IP骨干网网络的链路负载数据;
将所述链路负载数据进行归一化处理,得到先验测量值;
提取所述先验测量值中的快拍数据;
将所述先验测量值中的快拍数据输入所述深度信念网络模型,确定所述IP骨干网网络的端到端流量值的快拍数据;
根据所述端到端流量值的快拍数据,确定所述IP骨干网网络的流量值。
3.根据权利要求1所述的一种IP骨干网网络流量确定方法,其特征在于,所述深度信念网络模型为基于实测单元的受限玻尔兹曼机模型。
5.一种IP骨干网网络流量确定***,其特征在于,包括:
网络模型构建模块,用于构建深度信念网络模型;所述深度信念网络模型为以链路负载数据的快拍数据为输入,以端到端流量值的快拍数据为输出的神经网络模型;
第一数据采集模块,用于采集IP骨干网网络的链路负载数据;
第一先验测量值获取模块,用于将所述链路负载数据进行归一化处理,得到先验测量值;
第一快拍数据提取模块,用于提取所述先验测量值中的快拍数据;
端到端流量确定模块,用于将所述第一先验测量值中的快拍数据输入所述深度信念网络模型,确定所述IP骨干网网络的端到端流量值的快拍数据;
流量值确定模块,用于根据所述端到端流量值的快拍数据,确定所述IP骨干网网络的流量值。
6.根据权利要求5所述的一种IP骨干网网络流量确定***,其特征在于,所述***还包括:
其中,t表示快拍次数,l表示链路编号,L表示网络中链路的数量,n表示端到端流量编号,N表示网络中端到端流量的数量。
7.根据权利要求5所述的一种IP骨干网网络流量确定***,其特征在于,所述深度信念网络模型为基于实测单元的受限玻尔兹曼机模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911086587.1A CN110855485A (zh) | 2019-11-08 | 2019-11-08 | 一种ip骨干网网络流量确定方法和*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911086587.1A CN110855485A (zh) | 2019-11-08 | 2019-11-08 | 一种ip骨干网网络流量确定方法和*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110855485A true CN110855485A (zh) | 2020-02-28 |
Family
ID=69599841
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911086587.1A Pending CN110855485A (zh) | 2019-11-08 | 2019-11-08 | 一种ip骨干网网络流量确定方法和*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110855485A (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102724078A (zh) * | 2012-06-29 | 2012-10-10 | 蒋定德 | 一种动态网络下基于压缩感知的端到端网络流量重构方法 |
CN105071963A (zh) * | 2015-08-06 | 2015-11-18 | 东北大学 | 一种面向大数据互联网的多业务流量估计方法 |
US20160180214A1 (en) * | 2014-12-19 | 2016-06-23 | Google Inc. | Sharp discrepancy learning |
CN109816095A (zh) * | 2019-01-14 | 2019-05-28 | 湖南大学 | 基于改进门控循环神经网络的网络流量预测方法 |
-
2019
- 2019-11-08 CN CN201911086587.1A patent/CN110855485A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102724078A (zh) * | 2012-06-29 | 2012-10-10 | 蒋定德 | 一种动态网络下基于压缩感知的端到端网络流量重构方法 |
US20160180214A1 (en) * | 2014-12-19 | 2016-06-23 | Google Inc. | Sharp discrepancy learning |
CN105071963A (zh) * | 2015-08-06 | 2015-11-18 | 东北大学 | 一种面向大数据互联网的多业务流量估计方法 |
CN109816095A (zh) * | 2019-01-14 | 2019-05-28 | 湖南大学 | 基于改进门控循环神经网络的网络流量预测方法 |
Non-Patent Citations (3)
Title |
---|
LAISEN NIE, XIAOJIE WANG, LIANGTIAN WAN, SHUI YU, HOUBING SONG: "Network Traffic Prediction Based on Deep Belief Network and Spatiotemporal Compressive Sensing in Wireless Mesh Backbone Networks", 《WIRELESS COMMUNICATIONS AND MOBILE COMPUTING》 * |
LAISEN NIE; DINGDE JIANG; LEI GUO; SHUI YU; HOUBING SONG: "Traffic Matrix Prediction and Estimation Based on Deep Learning for Data Center Networks", 《 2016 IEEE GLOBECOM WORKSHOPS (GC WKSHPS)》 * |
聂来森: "基于压缩感知的端到端网络流量重构策略研究", 《中国博士学位论文全文数据库》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107483251B (zh) | 一种基于分布式探针监测的网络业务异常侦测方法 | |
CN111159425A (zh) | 一种基于历史关系和双图卷积网络的时态知识图谱表示方法 | |
Zhu et al. | Network latency estimation for personal devices: A matrix completion approach | |
Hui et al. | Digital twin for networking: A data-driven performance modeling perspective | |
Nie et al. | Network traffic prediction based on deep belief network and spatiotemporal compressive sensing in wireless mesh backbone networks | |
Zhang et al. | LNTP: An end-to-end online prediction model for network traffic | |
CN106126607B (zh) | 一种面向社交网络的用户关系分析方法 | |
Yin et al. | Network traffic classification via HMM under the guidance of syntactic structure | |
Toral-Cruz et al. | Accurate modeling of VoIP traffic QoS parameters in current and future networks with multifractal and Markov models | |
Tian et al. | A network traffic prediction method based on IFS algorithm optimised LSSVM | |
CN112134873B (zh) | 一种IoT网络异常流量实时检测方法及*** | |
CN108270608B (zh) | 一种链路预测模型的建立及链路预测方法 | |
Dey et al. | Estimating network link characteristics using packet-pair dispersion: A discrete-time queueing theoretic analysis | |
CN110855485A (zh) | 一种ip骨干网网络流量确定方法和*** | |
CN110839253A (zh) | 一种确定无线网格网络流量的方法 | |
CN105224675B (zh) | 一种顾及时空效应的微博主题提取方法 | |
CN113379092B (zh) | 一种面向大数据的骨干网多业务流量估计方法及*** | |
Nie et al. | A reconstructing approach to end‐to‐end network traffic based on multifractal wavelet model | |
Lei et al. | Optimizing traffic classification using hybrid feature selection | |
Jiang et al. | Network traffic anomaly detection based on sliding window | |
Mirtchev et al. | New constant service time Polya/D/n traffic model with peaked input stream | |
Agosta et al. | Mixture models of endhost network traffic | |
Yang et al. | An accurate approach for traffic matrix estimation in large-scale backbone networks | |
Zhu et al. | Link Prediction for Opportunistic Network Based on the Attraction between Nodes | |
Shawky et al. | Characterization and modeling of network traffic |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200228 |
|
RJ01 | Rejection of invention patent application after publication |