一种分层网络RTT的预测方法，其中根据实际网络日志，利用信息熵理论捕捉影响网络RTT的因素；确定衡量网络RTT波动情况指标；对于近距离的主机对，通过主动的进行测量操作构建区域范围内的网络属性数据库，记录每一条的延时，选择最相近的网络路径来重组网络中每一跳的延时；对于远距离的主机对，可通过分析网络延时与物理距离的关系，来动态训练一个机器学习模型，从而估算网络延时。该方法可实现在无需事先和网络上主机联系的情况下高效估算网络往返时延。
【技术实现步骤摘要】
本专利技术涉及计算机网络，尤其是一种分层网络RTT的预测方法。
技术介绍
网络RTT即用户发出请求到接受到服务器服务的时间间隔，是当今在线实时服务 (实时视频直播，大规模在线游戏）中衡量用户体验的重要指标。RTT的大小决定着终端用 户持续使用该服务的长短，直接影响着服务提供商的收益。提前预测网络RTT从而选择最 优的服务器来为用户服务，可以最大程度提升终端用户的体验，因而具有广阔的发展前景。 为了预测网络RTT，已有的方法主要分为：（1)通过虚拟的坐标空间来计算两个节 点之间的距离，并据此来估算往返时延，这种方法很难捕获网络时延的动态性；（2)通过构 建一个网络地图集，利用网络路径的重叠性，根据已有的路径片段时延数据来重新组合，估 算整个网络路径的往返时延，但是地图集的创建需要耗费大量的主动测量和被动测量，很 难确保系统的扩展性。
技术实现思路
本专利技术的主要目的在于针对现有技术的不足，为了实现在无需事先和网络上主机 联系的情况下，高效估算网络往返时延，提出一种分层网络RTT的预测方法。 为实现上述目的，本专利技术采用以下技术方案： 一种分层网络RTT的预测方法，包括以下步骤：Al:根据预先提供的网络日志，并通过分析网络RTT与影响网络RTT的因素的互信【主权项】1. 一种分层网络RTT的预测方法，其特征在于，包括以下步骤： Al :根据预先提供的网络日志，并通过分析网络RTT与影响网络RTT的因素的互信息 增益：来选择对网络RTT影响超过预定程度的因素，其 中，式表示其变量X的信息熵，Xi是变量X的 η种取值之一，P (X = Xi)表示变量X的值为概率； Α2 :通过公式：，max (RTT)表示预定时间内网络RTT的最大 值，min (RTT)表示预定时间内网络RTT的最小值，α表示预定时间内网络RTT的波动程度， 用α衡量不同用户主机到服务器的网络RTT在预定时间内的波动程度，根据波动程度与用 户主机到服务器的距离之间的对应关系确定距离分割点，根据距离分割点划分近距离的主 机对和远距离的主机对； A3 :对于近距离的主机对，通过主动地进行测量操作，分析并记录网络中的每一跳的延 时，构建预定区域范围内的网络属性数据库；对于所述预定区域范围内需要预测网络RTT 的路径，通过在所述数据库查找对应的每一跳的延时，并进行拼接，来确定相应路径的网络 RTT ； Α4 :对于远距离的主机对，通过已知网络RTT与相应物理距离的关系，按照预定时间周 期动态地训练决策树，所述决策树的中间节点对应步骤Al中所确定的影响网络RTT的因 素，所述决策树的叶子节点为对应的RTT分类，通过预测网络RTT会分配到哪一类网络RTT 中来进行网络RTT估算，最终预测的网络RTT值为所分配的网络RTT类别的平均RTT值。2. 如权利要求1所述的分层网络RTT的预测方法，其特征在于，步骤A2中，利用所述互 信息增益作为指标，将与网络RTT的互信息增益最大的距离选择为所述距离分割点。3. 如权利要求1所述的分层网络RTT的预测方法，其特征在于，步骤A3中，如果路径中 某些路径段在数据库中没有记录，则根据相似性选择与其最接近的路径段的记录代替。4. 如权利要求1所述的分层网络RTT的预测方法，其特征在于，步骤A3中，使 用Ping工具获取测试点到中间路由器的延时，从而计算出中间任意一跳的延时：5. 如权利要求1所述的分层网络RTT的预测方法，其特征在于，步骤A3中，通过按照预 定的时间间隔进行更新来维护关于网络拓扑和网络中间每一跳延时的数据库。6. 如权利要求1至5任一项所述的分层网络RTT的预测方法，其特征在于，步骤A4中， 每一个小时或数小时训练一个决策树。7. 如权利要求1至5任一项所述的分层网络RTT的预测方法，其特征在于，步骤A4中， 所述影响网络RTT的因素包括用户主机到与服务器之间的距离，服务器所使用的网络服务 提供商类型，以及请求服务的时间。8. 如权利要求1至5任一项所述的分层网络RTT的预测方法，其特征在于，步骤A4中， 在决策树中以基于信息熵的分析方式来选择相关距离的最优分支点以及各个因素在决策 树中的位置。9. 如权利要求1至5任一项所述的分层网络RTT的预测方法，其特征在于，步骤A4中， 采用K-means算法来进行需要预测的网络RTT的分类选择。【专利摘要】一种分层网络RTT的预测方法，其中根据实际网络日志，利用信息熵理论捕捉影响网络RTT的因素；确定衡量网络RTT波动情况指标；对于近距离的主机对，通过主动的进行测量操作构建区域范围内的网络属性数据库，记录每一条的延时，选择最相近的网络路径来重组网络中每一跳的延时；对于远距离的主机对，可通过分析网络延时与物理距离的关系，来动态训练一个机器学习模型，从而估算网络延时。该方法可实现在无需事先和网络上主机联系的情况下高效估算网络往返时延。【IPC分类】H04L12-26【公开号】CN104852831【申请号】CN201510293578【专利技术人】王智, 胡文, 孙立峰 【申请人】清华大学深圳研究生院【公开日】2015年8月19日【申请日】2015年6月1日本文档来自技高网...
【技术保护点】
一种分层网络RTT的预测方法，其特征在于，包括以下步骤:A1：根据预先提供的网络日志，并通过分析网络RTT与影响网络RTT的因素的互信息增益：来选择对网络RTT影响超过预定程度的因素，其中，式H(X)=Σi=1n-P(X=xi)log2P(X=xi)]]>表示其变量X的信息熵,xi是变量X的n种取值之一，P(X＝xi)表示变量X的值为xi的概率；A2：通过公式：max(RTT)表示预定时间内网络RTT的最大值，min(RTT)表示预定时间内网络RTT的最小值，α表示预定时间内网络RTT的波动程度，用α衡量不同用户主机到服务器的网络RTT在预定时间内的波动程度，根据波动程度与用户主机到服务器的距离之间的对应关系确定距离分割点，根据距离分割点划分近距离的主机对和远距离的主机对；A3：对于近距离的主机对，通过主动地进行测量操作，分析并记录网络中的每一跳的延时，构建预定区域范围内的网络属性数据库；对于所述预定区域范围内需要预测网络RTT的路径，通过在所述数据库查找对应的每一跳的延时，并进行拼接，来确定相应路径的网络RTT；A4：对于远距离的主机对，通过已知网络RTT与相应物理距离的关系，按照预定时间周期动态地训练决策树，所述决策树的中间节点对应步骤A1中所确定的影响网络RTT的因素，所述决策树的叶子节点为对应的RTT分类，通过预测网络RTT会分配到哪一类网络RTT中来进行网络RTT估算，最终预测的网络RTT值为所分配的网络RTT类别的平均RTT值。...
【技术特征摘要】
【专利技术属性】
技术研发人员：王智，胡文，孙立峰，
申请(专利权)人：清华大学深圳研究生院，
类型：发明
国别省市：广东;44
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。