网络生存性计算方法以及性能评价.docVIP

网络生存性计算方法以及性能评价 　　摘 要：为了解决网络中因链路失效而产生的拥塞问题，基于混合蛙跳算法和小波技术提出了一种新的网络生存性评价方法（SASFL）。该方法首先建立了生存性的评价指标，同时针对失效状态下的到达流量进行小波变换，并利用混合蛙跳优化小波系数，以此获得最佳网络剩余流量。最后利用OPNET和Matlab进行仿真实验，深入研究了网络生存性与失效链路、权重系数等参数之间的关系。结果表明，相比其他方法，SASFL表现出较好的适应性。 　　关键词：拥塞；生存性；失效；混合蛙跳；小波 　　0 引言 　　随着Internet的迅速发展，网络生存性已成为越来越受关注的问题[1-2]。作为网络完整性的一部分，网络生存性主要是指网络在遭遇外部攻击或自身故障等异常情况下，仍然能够及时维持可接受的业务质量的能力。网络生存性一般通过网络保证和网络恢复这两种方式来实现。网络生存性的研究目标是基于不可靠、不安全的组件构建可以提供可靠、安全服务的网络系统。显然，其研究基础符合当前互联网的现实状况，其目标具有重要的现实意义。目前，关于生存性的研究主要集中在异常检测、容错性和服务质量上[3-5]，并且国内外学者对此做了大量研究。赵二虎等[6]通过将服务漂移抽象为可观测马尔可夫决策过程，并采用服务漂移技术来提高动态不确定性网络环境的自适应能力，以此增强网络服务的生存性。林闯等[7]阐述了网络安全性的评价技术工作，同时介绍了提高网络生存性的若干随机模型。潘晏涛等[8]针对网络最大流问题提出了求解网络最大生存时间确切值的方法，但是需要进一步完善算法的收敛性。皇甫伟等[9]给出了网络生存性指标，并针对自愈环拓扑结构的网络生存性进行了定量分析。林绵峰等[10]研究了两级业务交叉连接节点构成的光网络生存性问题，并建立了一种新的保护容量规划模型，但是算法的计算复杂度有待进一步改进。 　　针对上述问题，本文首先根据以往的研究结果给出了网络生存性的定义，并且利用混合蛙跳算法[11-12]和小波变换[13]提出了一种新的刻画方法SASFL（Survivability Algorithm based on Shuffled Frog Leaping），最后通过仿真实验深入研究了该方法的有效性。 　　1 网络生存性定义 　　在如图1所示的传输网络G（V， E， W， F）中，V代表节点集合（V=[1， 2， …， n]），E代表链路集合，W代表链路权重集合，F表示网络中任意两点之间的流量集合，且： 　　其中：ωi j表示链路ei j对应的权重，fi j表示节点i和j之间的流量。假设网络中各节点位置具有随机性，并且节点的性质相同（如数据转发能力、缓冲大小等），这里将各节点出现失效的情况归纳为对应链路出现失效，同时假设各链路出现失效的概率相等。令网络中存在n段链路，正常情况下整个网络数据传输量为f，有k条链路失效时网络剩余流量为f（k）（其中k的最大取值应保证整个网络连通，令其最大值为K）。在文献[14]中给出了网络生存性定义：当某些链路失效时，网络剩余流量与正常情况下整个网络数据传输能力之间的比率。因此，网络剩余流量f（k）可表示为： 　　由于正常情况下整个网络数据传输量f可以进行统计获得，因此上述评价指标的关键在于求解网络剩余流量f（k）。文献[14]结合免疫克隆模拟退火提出了刻画网络生存性的算法SAICSA（Survivability Algorithm based on Immune Clonal Simulated Annealing），其思路是将一个可行解进行分裂，并通过克隆变异、交叉和选择变换后获得新的抗体群，从而保持解的多样性。但是，免疫克隆模拟退火算法在高温时容易陷入局部极值，而在低温时存在收敛时间过长、效率不高等缺点。所以，本文基于混合蛙跳算法提出一种新的刻画方法SASFL。 　　2 SASFL算法 　　混合蛙跳算法是一种群体智能的生物进化算法，其群体由一群具有相同功能的青蛙组成。算法将群体分割为多个族群，每个族群按照各自策略执行局部搜索。当局部搜索迭代结束后，各族群之间进行混合运算，以此达到信息交流和全局最优解的目的（即采用各簇群内部个体各自分别进化，以及簇间相互协同学习机制）。同时，由于实际流量具有多重分形特性，所以这里结合小波变换对到达流量进行分解，获得其小波系数和近似系数，然后利用混合蛙跳算法来对小波系数和近似系数进行优化，最后通过小波重构来求解网络剩余流量f（k）。 　　在混合蛙跳算法中，一般采用适应度值来衡量当前解的优劣，种群中的青蛙个体按照深度搜索方法进行迭代，并朝着全局最优的方法进行演化。为了加快算法的收敛，本文定义混合蛙跳算法的适应度函数F（x）为： 　　步骤1 在t=0时初始化网络参数，确定链路容