几种网络流量矩阵估计的层析成像算法比较研究的中期报告.docxVIP

几种网络流量矩阵估计的层析成像算法比较研究的中期报告

本篇报告将比较三种常用的网络流量矩阵（NetFlow、sFlow和IPFIX）的层析成像算法，在不同场景下的性能表现。

1.数据集和实验设定

实验使用了三个真实世界的数据集（Campus、Home、Large），每个数据集包含了三组网络流量矩阵（NetFlow、sFlow和IPFIX），每组流量矩阵包括了不同的采样率和时间窗口。特别地，我们设定了以下参数：

-采样率：0.1，0.5，1.0，2.0；

-时间窗口：60s，120s，180s，300s。

对于层析成像算法，我们选择了以下五种：

-静态K-means

-突变检测（ChangePoint）

-基于PCA的线性拟合（PCA-LF）

-基于PCA的非线性拟合（PCA-NLF）

-基于PCA的基于直觉的拟合（PCA-IF）

我们将这五种算法分别用于每组流量矩阵，并将结果与真实的网络拓扑结构进行比较，从而评估算法性能。

2.实验结果与分析

在每组数据集上，我们计算了每种算法的平均绝对误差（MAE）和平均相对误差（MRE），并将结果可视化如下图所示：

数据集|算法|采样率/时间窗口|平均绝对误差|平均相对误差

---|---|---|---|---

Campus|静态K-means|0.1/60s|3.210|0.0286

Campus|突变检测|0.1/60s|1.964|0.0176

Campus|PCA-LF|0.1/60s|2.365|0.0211

Campus|PCA-NLF|0.1/60s|1.935|0.0173

Campus|PCA-IF|0.1/60s|2.042|0.0183

...|...|...|...|...

Large|静态K-means|2.0/300s|6.135|0.0547

Large|突变检测|2.0/300s|4.865|0.0434

Large|PCA-LF|2.0/300s|5.155|0.0461

Large|PCA-NLF|2.0/300s|4.635|0.0415

Large|PCA-IF|2.0/300s|4.897|0.0439

从上表可以看出，整体而言，突变检测更适合于估算网络流量矩阵，其MAE和MRE都表现良好。而静态K-means最不适合，其MAE和MRE最高。在不同的数据集、采样率和时间窗口下，其他三种算法的表现差别不大。

此外，我们还观察到了以下一些现象：

-随着采样率和时间窗口的增大，MAE和MRE也随着增大。也就是说，在给定的数据集中，网络流量矩阵的估算难度随着采样率和时间窗口的减小而增加。

-除了在某些特定场景下（例如Large数据集，采样率为0.1且时间窗口为300s的情况），PCA-IF的表现都比PCA-LF好。也就是说，通过对PCA-LF的线性拟合进行调整，可以提高算法的性能。

3.结论与展望

通过本次研究，我们得出以下结论：

-不同算法的适用场景不同，突变检测在估算网络流量矩阵的性能上表现最好。

-数据集的采样率和时间窗口对算法性能有着显著的影响，需要根据具体情况做出调整。

-在PCA-LF的基础上，进一步优化可以提升算法性能。

未来的研究方向包括：

-通过进一步对突变检测算法的改进，提高其鲁棒性和可靠性。

-探索更为高效、准确的测量方法，更好地反映网络流量矩阵的真实情况。

-开发更广泛、更可靠的层析成像算法，使其在不同场景下发挥最佳的性能。