T-Plots: A Novel Approach to Network Design
人们普遍认为,流量矩阵的变化会导致容量过度配置,但没有简单的衡量标准来衡量过度配置可以带来多少好处。在这篇论文中,我们的目标是提供一个简单的网络设计师的网络鲁棒性流量矩阵的变化。我们首先提出的流量负载分布图,或T-图,一类图说明的百分比流量矩阵,可以作为一个功能的容量预留。例如,从简单地看他们的T图,网络设计者可以保证他们的网络服务于所有可接受的流量矩阵,或99%的置换流量矩阵,或具有至多最大值的一半的入口/出口负载的所有流量矩阵。我们进一步证明,不幸的是,在一般情况下,绘制T-图是#P-完全的,即,利用正午工具不可能在多项式时间内绘制T图。然而,我们表明,T-图有时可以密切建模为高斯,因此只使用两个值(均值和方差)来量化的鲁棒性的容量分配流量矩阵的变化。我们进一步利用这些高斯T-图,以提供一个更强大的容量分配。最后,我们展示了使用T-Plots的好处,在一个真正的骨干网络中显示广泛的Monte Carlo模拟的结果。该论文于2007年提交。从那时起,它出现的结果被应用于各种网络环境。在这个新版本中,我们在13年后重新审视了结果,并解释了它们与网络设计中最先进问题的相关性。
2021-12-09 cs.NI
Confidence Driven Classification of Application Types in the Presence of Background Network Traffic
UNC Chapel Hill(北卡罗来纳大学教堂山分校);Universidade do Algarve(阿尔加维大学)
本文提出基于高斯混合模型的分类框架,通过改进深度学习分类器的置信度指示,以更可靠地分类在存在背景网络流量时的应用类型。
2026-02-03 cs.NI
Modeling and Analysis of mMTC Traffic in 5G Base Stations
大规模机器类型通信(mMTC)是5G网络应该支持的三种服务类型之一。它们的区别在于需要为大量设备提供服务,这些设备的特点是非密集流量和低能耗。虽然mMTC业务的零星性质不会对有效的网络操作造成影响,但是复用来自小区内的大量这些设备的业务肯定会造成影响。因此,仔细规划用于此流量的网络资源至关重要。为此,应当知道到达基站的业务模式的统计。为此,在本文中,我们推导出分布的到达时间间隔的流量在基站从一般数量的mMTC用户在小区内,假设一个通用的分布的流量模式由个人用户。我们验证我们的结果的痕迹。结果表明,在小区中添加更多的mMTC用户几乎线性地增加了基站处的业务模式的可变性,而增加业务生成速率则不是这种情况。
2021-08-31 cs.NI
Optimal Radio Resource Allocation for Hybrid Traffic in Cellular Networks: Traffic Analysis and Implementation
在本文的第一部分,一个分布式和集中式的架构,最佳的无线电资源分配知道的流量延迟容忍的性质,用户订阅类型,和应用程序的使用变化。在当前的文章中,上述分布式和集中式架构的传输开销分析进行了研究,并证明了集中式方案比分布式方法具有更低的传输开销。此外,集中式和分布式架构的传输开销的下限推导。此外,上述集中式和分布式架构的资源分配过程的敏感性分析,在系统中的用户数量的变化。此外,集中式和分布式方法的应用程序使用的时间变化的敏感性分析进行了研究。最后,通过适当的仿真验证了传输开销和灵敏度相关的声明。最后但并非最不重要的是,提供了第一部分中开发的资源分配方法的实际实现。
2014-11-12 cs.NI
TrAD: Traffic Adaptive Data Dissemination Protocol for Both Urban and Highway VANETs
车载自组织网络(VANTIOLAR Ad hoc Networks,VANTIOLAR)的目标是改善交通安全、提高交通效率甚至是信息娱乐等交通活动,需要大量的交通事件驱动的信息在感兴趣的区域及时传播。然而,由于VAN的高动态移动性和频繁断网的特性,数据传播面临着巨大的挑战。车辆间通信(IVC)协议是解决这一问题的关键技术。因此,我们提出了一个无基础设施的交通自适应数据分发(TrAD)协议,考虑公路和城市场景的道路交通和网络交通状况。TrAD具有适应不规则道路拓扑的灵活性,并具有双重广播抑制技术。三个国家的最先进的IVC协议已被比较与TrAD通过现实的模拟。所有协议的性能进行了定量评估与不同的实际城市地图和交通路线。最后,即使在GPS漂移的情况下,TrAD在几个指标方面也获得了出色的整体性能。
2016-01-29 cs.NI
Network Link Dimensioning based on Statistical Analysis and Modeling of Real Internet Traffic
互联网服务提供商使用链路尺寸来正确配置其网络链路的容量。运营商必须为突发流量和网络故障做好准备,以确保不间断的运营。实际上,流量平均值用于粗略估计所需容量。更准确的解决方案通常需要从数据包捕获中轻松获得流量统计数据,例如方差。我们对真实网络流量的研究表明,在较小的聚集时间内,网络流量具有很高的变化性,这表明网络流量具有自相似性和重尾性。自相似性和重尾性对于网络容量规划具有重要意义。流量建模过程应考虑所有的互联网流量特征。因此,网络的服务质量(QoS)不会受到真实业务属性与参考统计模型之间的任何失配的影响。本文提出了一类新的流量配置文件,更适合于计量突发的互联网流量流。我们采用带宽供应,以确定网络链路所需的最低带宽容量水平,这样对于给定的流量负载,所需的性能目标得到满足。我们验证我们的方法使用数据包捕获从真正的基于IP的网络。建议的链路尺寸的方法开始测量可用的痕迹的统计参数,然后在流量的波动程度已被测量。其次是选择合适的模型来拟合流量,如对数正态分布和广义极值分布。最后,可以通过部署带宽供应方法来估计链路的最佳容量。它已被证明,重尾分布给出更精确的值比高斯模型的链路容量。
2017-10-01 cs.NI
Wireless Traffic Prediction with Scalable Gaussian Process: Framework, Algorithms, and Verification
Beijing University of Posts and Telecommunications(北京邮电大学);The Chinese University of Hong Kong, Shenzhen(香港中文大学(深圳));University of California, Davis(加州大学戴维斯分校)
云无线接入网络(C-RAN)是满足第五代(5G)无线系统的严格要求的有前景的范例。同时,无线流量预测是C-RAN通过负载感知网络管理来提高频谱效率和能量效率的关键使能器。本文提出了一个可扩展的高斯过程(GP)框架作为一个有前途的解决方案,以实现大规模的无线流量预测的成本效益的方式。我们的贡献是三方面的。首先,据我们所知,本文是第一个在训练阶段使用交替方向乘法器(ADMM)进行并行超参数优化的GP回归,其中这种可扩展的训练框架很好地平衡了基带单元(BBU)中的局部估计和大规模执行中的原则性信息一致性。其次,在预测阶段,我们通过基于交叉验证的最优策略融合从BBU获得的局部预测,这表明它对于一般回归任务是可靠和鲁棒的。此外,这种基于交叉验证的最优融合策略是建立在一个公认的概率模型,以保留有价值的封闭形式的GP推理属性。第三,我们提出了一种基于C-RAN的可扩展无线预测架构,其中可以通过根据实时系统需求调整BBU的数量来平衡预测精度和时间消耗。实验结果表明,我们提出的可扩展GP模型可以大大优于国家的最先进的方法,在无线流量预测性能。
2019-02-13 cs.LG cs.NI eess.SP
Empirical Study of Traffic Velocity Distribution and its Effect on VANETs Connectivity
在这篇文章中,我们使用实际的交通数据,以确认车辆速度遵循高斯分布在稳定状态的交通制度(自由流动,拥挤)。我们还表明,在自由流和拥挤之间的过渡,速度分布更好地模拟广义极值分布(GEV)。我们研究了不同的模型估计车辆之间的连通性持续时间的概率分布在车载自组织网络的效果。
2015-02-28 cs.NI physics.soc-ph
Estimating Traffic and Anomaly Maps via Network Tomography
映射源-目的地(OD)网络流量对于网络管理和主动安全任务至关重要。然而,缺乏足够的流量水平测量以及潜在的异常对这一目标构成了重大挑战。利用名义流量的时空相关性和异常的稀疏性,本文提出了一种新的框架来映射出名义流量和异常流量,它将共同重要的网络监测任务,包括流量估计,异常检测和流量插值。为此,首先制定了一个凸计划与核和$\ell_1$ -范数正则化,以实现稀疏性和低秩的标称和异常流量,只有链路计数和OD流计数的{ \it小}子集。分析和仿真证实,所提出的估计可以{ \em精确}恢复足够低维的标称流量和零星的异常,只要路由路径是充分的“展开”在网络上,和足够数量的流计数随机采样。结果提供了有价值的见解有关数据采集策略和网络的带宽,从而产生准确的流量估计。对于实际的网络中,上述条件可能会被违反,固有的时空交通模式考虑到采用贝叶斯方法,随着核和$\ell_1$规范的双线性特征。由此产生的非凸计划涉及二次正则相关矩阵,学习系统(循环)平稳的历史数据。交替最小化为基础的算法与可证明的收敛性也被开发,以获得的估计。有见地的测试与合成和真实的互联网数据证实了新方案的有效性。
2014-07-07 cs.NI
dMAPAR-HMM: Reforming Traffic Model for Improving Performance Bound with Stochastic Network Calculus
针对MGF-SNC难以刻画真实网络剧烈突发流量的问题,提出融合dMAP与AR-HMM的自适应时空流量模型dMAPAR-HMM,实验表明其可获得更优性能界。
2023-06-08 cs.NI
An Overview of Self-Similar Traffic: Its Implications in the Network Design
在计算机网络的设计中,关于流量的真实性质的知识是一个关键的要求。自相似现象是在由诸如以太网和TCP/IP协议栈的网络技术主导的LAN/WAN环境中的当前客户端/服务器分组网络的业务的特征。考虑到这一属性的网络流量模拟器的发展,是必要的更现实的描述这些网络上的流量和它们的使用在设计的资源(竞争元素)和流量控制和网络拥塞的协议。在这种情况下,建议不要采用泊松类型的标准流量模型。
2020-05-06 cs.NI cs.PF
Global Modeling and Prediction of Computer Network Traffic
我们开发了一个概率框架的全球建模的流量在计算机网络。该模型将现有的单链路(流)流量模型与网络上的路由相结合,以捕获全局流量行为。它产生于一个有限的近似的流量波动的时间尺度和用户共享网络的数量增长。所得到的概率模型由高斯和/或稳定的无限方差分量组成。它们可以用某些“时空”随机场来简洁地描述和处理。该模型对模拟和真实数据进行了验证。然后,它被应用到预测流量波动未观察到的链路从一组有限的观察到的链接。此外,异常检测和网络管理的应用进行了简要讨论。
2010-05-24 cs.NI math.ST stat.TH
5G Traffic Prediction with Time Series Analysis
R.V. College of Engineering(R.V. 工程学院);Nokia(诺基亚)
本文利用LSTM模型对5G蜂窝流量进行时间序列分析,实现应用分类、上行数据包到达强度预测和突发发生概率估计,以优化网络资源分配与利用。
2025-07-20 cs.LG cs.NI
Fine-grained network traffic prediction from coarse data
信息和通信技术系统提供关于计算机网络流量的详细信息。然而,由于存储限制,关于过去流量的一些信息通常仅以聚合形式保留。在本文中,我们表明,线性高斯状态空间模型产生简单而有效的方法,使预测的基础上,时间序列在不同的聚合水平。这些模型将粗粒度和细粒度的时间序列链接到能够提供细粒度预测的单个模型。我们的数值实验表明,在预期的平均绝对预测误差提高了3.7倍时,预测使用,而不是忽略,额外的粗粒度观测。的预测中获得的贝叶斯公式的模型,它允许提供的交通预测服务,从粗粒度的历史数据中获得的高度翔实的先验。
2022-01-18 cs.NI stat.AP
Classification of Traffic Using Neural Networks by Rejecting: a Novel Approach in Classifying VPN Traffic
School of ECE, College of Engineering, University of Tehran(德黑兰大学工程学院电气与计算机工程学院)
在本文中,我们介绍了一种新的端到端的流量分类方法来区分流量类,包括VPN流量在三层的开放系统互连(OSI)模型。由于其加密性质,使用传统分类方法对VPN流量进行分类并不简单。我们利用两个著名的神经网络,即多层感知器和递归神经网络创建我们的级联神经网络集中在两个指标:类分数和类的中心距离。这种方法将提取、选择和分类功能组合到单个端到端系统中,以系统地学习输入和预测性能之间的非线性关系。因此,我们可以通过拒绝VPN类的不相关特征来区分VPN流量和非VPN流量。此外,我们得到的应用类型的非VPN流量在同一时间。该方法是使用一般的流量数据集ISCX VPN-nonVPN,和所获得的数据集进行评估。结果表明,加密流量分类的框架方法的有效性,同时也实现了极高的准确性,$95$百分比,这是高于国家的最先进的模型的准确性,和强大的泛化能力。
2021-12-10 cs.LG cs.NI
Network Traffic Obfuscation and Automated Internet Censorship
互联网审查员寻求方法来识别和阻止互联网访问他们认为令人反感的信息。审查机构越来越多地部署高级网络工具,如深度数据包检测(DPI)来识别此类连接。作为回应,活动家和学术研究人员开发并部署了网络流量混淆机制。这些应用专门的加密工具来试图向DPI隐藏连接的真实性质和内容。在这项调查中,我们概述了网络流量混淆及其在规避互联网审查中的作用。我们提供了历史和技术背景,激励需要混淆工具,并给出了一个概述的方法混淆使用的最先进的工具。我们讨论了审查机构如何发现这些努力的最新研究。我们还描述了审查规避研究目前面临的挑战,并确定具体的方法,为社会应对这些挑战。
2016-11-14 cs.CR cs.NI
IoT Device Identification Based on Network Traffic Characteristics
物联网设备识别在监控和提高物联网设备的性能和安全性方面发挥着重要作用。与传统的非物联网设备相比,物联网设备在检测物联网设备类型方面为我们提供了独特的挑战和机遇。基于我们以前在了解物联网设备的网络流量特征方面所获得的重要见解,本文开发了一种有效的基于机器学习的物联网设备识别方案,名为iotID。在开发iotID时,我们从三个互补的方面提取了TCP流的70个特征:远程网络服务器和端口号,数据包级别的流量特征(如数据包到达间隔时间)和流级别的流量特征(如流持续时间)。与现有工作不同,我们在iotID的学习和评估阶段都考虑了各种设备产生的网络流量的不平衡性。我们基于在由物联网和非物联网设备组成的典型灵巧家庭环境中收集的网络流量进行的性能研究表明,iotID可以达到99%以上的平衡准确率。
2022-12-17 cs.DC cs.NI
Fluctuation-induced traffic congestion in heterogeneous networks
在复杂的异构网络,特别是互联网的研究中,非常注意分析由硬件故障或过载引起的网络故障,其中网络反应被建模为重新路由的流量远离故障或拥塞的元素。在这里,我们模拟另一种类型的网络反应拥塞-急剧减少的输入流量率通过拥挤的路线,发生在更短的时间尺度。我们认为,在互联网上的局部需求和容量之间的不匹配的结果在交通损失的拥塞发作,并表明它可以被描述为一个相变的特点是在介观时间尺度上的强非高斯损失波动。由输入流量中的噪声引起的波动,由于网络的异构性而加剧,表现在无标度负载分布中。它们导致网络对拥塞的第一个迹象反应过度,显著减少了沿拥塞完全可以忽略的通信路径的输入流量。
2011-10-21 cond-mat.stat-mech cs.NI physics.soc-ph
Delay Bounds for Networks with Heavy-Tailed and Self-Similar Traffic
我们提供了上界的端到端的积压和延迟在网络中的重尾和自相似的流量。分析如下的网络演算的方法,其特征在于由包络函数和服务的服务曲线描述的流量。本文的一个关键贡献是推导出重尾自相似到达过程的概率样本路径界,这是由一个合适的包络表征,被称为"htss路径"。我们推导出一个重尾服务曲线的整个网络路径上的每个节点的服务时,其特征在于重尾服务曲线。我们得到的积压和延迟界限的特点是由一个HTSS信封和接收服务的厚尾服务曲线。推导出的性能界限是非渐近的,因为它们不假设一个稳态,大缓冲区,或许多来源制度。我们还探讨了延迟增长的规模作为路径长度的函数。附录中包含了高斯尾部分布的自相似流量的分析。
2009-11-19 cs.NI cs.PF
Analysis of Proportional Fair Scheduling Under Bursty On-Off Traffic
在现代无线蜂窝网络中,比例公平调度(PFS)已经被采用作为用于公平资源分配的标准解决方案。随着异构网络的出现,广泛变化的用户负载,它是非常重要的,以表征性能的PFS突发流量下,这是在大多数无线流和数据传输服务的情况下。在这封信中,我们提供了第一个分析解决方案,PFS的性能下突发开关流量负载。我们使用高斯近似模型推导出可实现的用户数据速率的封闭形式的表达式。为了进一步提高多小区网络的基线解析解的精度,我们采用多干扰分析设计了一种混合近似。仿真结果验证了我们的模型保证极低的数据率估计误差,这是进一步的会话持续时间,流量负载和用户密度的变化不敏感。
2017-01-20 cs.IT cs.NI math.IT
Evaluating the impact of adversarial traffic patterns on vanet communication using veins simulation
Texas A&M University San Antonio(德克萨斯农工大学圣安东尼奥分校)
该研究利用Veins框架仿真,评估消息泛洪等对抗性交通模式对VANET通信的影响,发现其可大幅降低PDR与吞吐量,为构建更安全的车载网络提供了依据。
2026-08-18 cs.LG cs.NI
Dynamic Graph Neural Network for Traffic Forecasting in Wide Area Networks
Argonne National Laboratory(阿贡国家实验室);Lawrence Berkeley National Laboratory(劳伦斯伯克利国家实验室)
广域网基础设施(WAN),特别是科学和研究WAN,是在实验设施和数据中心之间传输大量科学数据的骨干。随着需求以指数级速度增长,这些网络正在努力应对大数据量,实时响应和整体网络性能。网络运营商越来越多地寻找创新的方式来管理有限的底层网络资源。预测网络流量是主动资源管理、拥塞缓解和专用传输供应的关键能力。为此,我们提出了一种基于非自回归图的神经网络多步网络流量预测。具体来说,我们开发了一种动态的扩散卷积递归神经网络来预测研究WAN中的流量。我们评估我们的方法对来自美国能源部专用科学网络ESnet的实际流量的有效性。我们的研究结果表明,与经典的预测方法相比,我们的方法显式地学习时空交通模式的动态特性,在预测精度上有显着的提高。我们的技术可以超越现有的统计和深度学习方法,即使在动态网络流量设置下,也可以实现多小时预测的平均绝对百分比误差约为20%。
2020-08-28 cs.LG cs.NI eess.SP
BFRT: Blockchained Federated Learning for Real-time Traffic Flow Prediction
本文提出 BFRT 架构,将区块链与联邦学习结合,在车联网边缘对 GRU 和 LSTM 模型进行实时去中心化训练,实现隐私保护的在线交通流预测,并在 Hyperledger Fabric 原型上验证其优于集中式模型。
2023-05-28 cs.CR cs.DC cs.NI