基于结构模型的互联网拓扑特征提取方法及系统技术方案

本发明专利技术公开了基于结构模型的互联网拓扑特征提取方法及系统，将AS级网络拓扑细化分解为十六个不同的实连接和虚连接组件，并以互联网历史演化进程上连续探测的不同时刻拓扑图序列为输入，提取这十六个组件的稳定特征参数，从而引导拓扑仿真子系统的拓扑参数配置，得到能够精确仿真生成过去、当前和未来任意时刻网络拓扑结构的结果通过AS级网络拓扑结构十六个实/虚组件的细粒度分解，能够捕获网络的稳定特征参数，从而为各种网络拓扑在过去、当前和未来状态的精确仿真提供更精细的特征参数配置功能。

【技术实现步骤摘要】
基于结构模型的互联网拓扑特征提取方法及系统
本公开涉及网络拓扑、网络仿真
，具体涉及基于结构模型的互联网拓扑特征提取方法及系统，适用于依据特征提取参数配置互联网、物联网等拓扑系统。
技术介绍
互联网拓扑通常划分为三个层次，即IP层、路由层和自治系统(AutonomousSystem,AS)层。其中，IP层以计算机终端IP地址为节点，路由层以数据通信路由设备为节点，AS层以自治系统域为节点。一个AS节点对应于从属于同一管理域的路由节点集，一个路由节点由一系列IP地址组成。因此，AS层描述了互联网拓扑的宏观特征。网络规模的指数级增长趋势，给互联网的路由规划、资源定位与分配等网络管理策略的制定带来了严峻的挑战。同时，为了避免不恰当管理策略带来的灾难性后果，相关策略的开发、测试与评估难以在真实互联网上开展。因此，互联网仿真系统已成为网络管理策略制定的重要辅助手段。拓扑表征网络节点及相互连接关系，是网络设备、流量等资源的底层载体。因此，拓扑仿真子系统是互联网仿真系统的一项重要组成部分。拓扑仿真子系统必须以真实互联网演化历程的稳定拓扑特征为输入，并依据这些特征参数实现互联网拓扑仿真生成。本公开关注于真实互联网数十年演化历程中拓扑特征参数的提取方法及相关装置，为拓扑仿真子系统的参数配置提供必要的技术保障。在现有互联网拓扑结构建模技术中，中国专利申请号CN201810564523.7公开的互联网测试床拓扑结构分解方法，采用简单无向图G＝(V,E)建模AS级互联网络拓扑，将图G分解为七个二分图、一个匹配图和一个内核图，并给出这些子图之间的相互关联性。该互联网拓扑的分解结构模型(包含九个分解子图)已被应用于中国专利申请号CN201810565884.3公开的互联网测试床拓扑结构大比例规模缩减方法。该分解结构模型(中国专利申请号CN201810564523.7)仅给出AS级互联网拓扑在特定时刻的静态结构，即无法表征互联网在数十年演化历程中的稳定性。该分解结构模型的提出，主要面向拓扑结构的大比例规模缩减方法(中国专利申请号CN201810565884.3)。该规模缩减方法以一幅特定时刻探测获得的互联网络拓扑图为输入，将输入的静态拓扑图分解为七个二分图、一个匹配图和一个内核图，通过采样规则分别从这九个分解图中抽取部分节点和边，构成相应的小规模图，并依据这九个分解图节点之间的包含关系合并这些小规模图，从而实现单一静态拓扑图的大比例规模缩减。综上所述，该分解结构模型仅能够适用于过去和当前特定时刻的单一静态拓扑图，无法适用于互联网未来状态的拓扑仿真。规模缩减方法以一副完整的拓扑图为输入，该输入拓扑图中包含了复杂的网络结构特征，其为规模缩减图与原始输入拓扑图之间的结构相似性提供了保证。然而，互联网未来状态的拓扑预测与仿真，依赖于互联网数十年演化历程中连续探测的多幅拓扑图表现出的稳定特征。中国专利申请号CN201810564523.7公开的拓扑分解结构的缺陷体现在，其无法从连续探测的一系列不同时刻拓扑图中提取能够反映未来趋势的特征参数；此外，其对网络拓扑图的分解粒度低，且对分解图之间关联性的描述十分粗糙。
技术实现思路
本公开的目的是解决上述现有技术的不足，将AS级网络拓扑细化分解为十六个不同的实连接和虚连接组件，并以连续探测的不同时刻拓扑图序列为输入，提取这十六个组件的稳定特征参数，从而引导拓扑仿真子系统的拓扑参数配置，得到能够精确仿真生成过去、当前和未来任意时刻网络拓扑结构的结果。本公开的目的是针对上述问题，提供基于结构模型的互联网拓扑特征提取方法及系统，具体包括以下步骤：S100：输入网络拓扑数据；S200：通过静态拓扑分解方法将网络拓扑数据依次分解为十六个实虚组件；S300：通过特征参数抽取方法将十六个实虚组件中相应的组件，在特征参数抽取方法中采用线性拟合方法对真实拓扑图序列对应的组件序列进行数据拟合，生成特征参数拟合数据；S400：将各个组件的特征参数拟合数据作为配置文件输出。进一步地，在S200中，静态拓扑分解方法包括以下步骤：输入：网络拓扑G＝(V,E)，其中节点集V为特定时刻探测获得真实互联网中自治系统AS域的集合，边集E为该互联网中不同AS域之间通信链路的集合；度阈值度阈值度阈值输出：八个实组件(内核组件Qcor和外围组件Qbip、P-Q、I-Q、J～Q、K-Q、K～S和S-Q)；八个虚组件(KQ(l)-KS(l)、SQ(h),SQ(l)-SK(h),SK(l)和)；S201：计算节点集其中dG(v)和分别为网络拓扑图G及其子图GI中节点v的度，且GI＝(VI,EI)是由图G中节点集V/(P∪Q)和这些节点之间的边构成的子图，VI和EI分别是节点集和边集；S202：计算节点集其中dQ(v)为由图G中节点集Q和这些节点之间的边构成的子图中节点v的度。S203：生成子图Qbip，其是图G中两个边集以及这些边连接的节点构成的子图(Qbip是一个输出的外围组件)；S204：计算节点集其中为子图Qbip中节点v的度。将子图Qbip中的边集划分为三类，即和S205：生成子图Qcor，其是图G中节点集和这些节点之间的边构成的子图(Qcor是一个输出的内核组件)。计算节点集其中为子图Qcor中节点v的度，h、m、l均为与上下表等同的标记。将子图Qcor中的边集划分为三类，即S206：采用X-Y(其中X∈{P,I,J,K}且Y∈{S,Q})表示五个子图P-Q、I-Q、J-Q、K-Q和K-S。这五个子图的生成方法相同，即子图X-Y的生成：子图X-Y是图G中边集YX-XY(l)＝{(v,w)|(v,w)∈E∧v∈YX∧w∈XY(l)}以及这些边连接的节点构成的子图。其中节点集计算节点集其中dX-Y(v)为子图X-Y中节点v的度。将子图X-Y中的边集划分为两类，即计算边集和节点集生成子图J～Q，其为边集JJ(l)-JJ(l)和子图J-Q的并集；生成子图K～S，其为边集SS(h)-SS(h),SS(h)-SS(l),SS(l)-SS(l)和子图K-S的并集。P-Q、I-Q、J～Q、K-Q和K～S是五个输出的外围组件；S207：生成子图S-Q，其是图G中边集{(v,w)|(v,w)∈E∧v∈S∧w∈Q}以及这些边连接的节点构成的子图(S-Q是一个输出的外围组件)。计算节点集和边集将子图S-Q中的边集划分为四类，即QS(h)-SQ(h)，QS(h)-SQ(l)，QS(l)-SQ(h)和QS(l)-SQ(l)；S208：设且其中，A是拓扑图中实组件Qbip的节点集且B是拓扑图中实组件Qcor的节点集。为了精确地建立Qbip与Qcor之间的关联性，按照以下方式生成虚组件生成二分图GA-B＝本文档来自技高网...

【技术保护点】
1.基于结构模型的互联网拓扑特征提取方法，其特征在于，所述方法包括以下步骤：/nS100：输入网络拓扑数据；/nS200：通过静态拓扑分解方法将网络拓扑数据依次分解为十六个实虚组件；/nS300：通过特征参数抽取方法将十六个实虚组件中相应的组件，在特征参数抽取方法中采用线性拟合方法对真实拓扑图序列对应的组件序列进行数据拟合，生成特征参数拟合数据；/nS400：将各个组件的特征参数拟合数据作为配置文件输出。/n

【技术特征摘要】
1.基于结构模型的互联网拓扑特征提取方法，其特征在于，所述方法包括以下步骤：
S100：输入网络拓扑数据；
S200：通过静态拓扑分解方法将网络拓扑数据依次分解为十六个实虚组件；
S300：通过特征参数抽取方法将十六个实虚组件中相应的组件，在特征参数抽取方法中采用线性拟合方法对真实拓扑图序列对应的组件序列进行数据拟合，生成特征参数拟合数据；
S400：将各个组件的特征参数拟合数据作为配置文件输出。


2.根据权利要求1所述的基于结构模型的互联网拓扑特征提取方法，其特征在于，在S200中，静态拓扑分解方法包括以下步骤：
输入：网络拓扑G＝(V,E)，其中节点集V为特定时刻探测获得真实互联网中自治系统AS域的集合，边集E为该互联网中不同AS域之间通信链路的集合；度阈值度阈值度阈值
输出：八个实组件(内核组件Qcor和外围组件Qbip、P-Q、I-Q、J～Q、K-Q、K～S和S-Q)；八个虚组件KQ(l)-KS(l)、SQ(h),SQ(l)-SK(h),SK(l)和)；
S201：计算节点集



其中dG(v)和分别为网络拓扑图G及其子图GI中节点v的度，且GI＝(VI,EI)是由图G中节点集V/(P∪Q)和这些节点之间的边构成的子图，VI和EI分别是节点集和边集；
S202：计算节点集



其中dQ(v)为由图G中节点集Q和这些节点之间的边构成的子图中节点v的度；
S203：生成子图Qbip，其是图G中两个边集






以及这些边连接的节点构成的子图(Qbip是一个输出的外围组件)；
S204：计算节点集



其中为子图Qbip中节点v的度；将子图Qbip中的边集划分为三类，即和



S205：生成子图Qcor，其是图G中节点集和这些节点之间的边构成的子图(Qcor是一个输出的内核组件)；计算节点集



其中为子图Qcor中节点v的度；将子图Qcor中的边集划分为三类，即



S206：采用X-Y(其中X∈{P,I,J,K}且Y∈{S,Q})表示五个子图P-Q、I-Q、J-Q、K-Q和K-S；这五个子图的生成方法相同，即子图X-Y的生成：子图X-Y是图G中边集
YX-XY(l)＝{(v,w)|(v,w)∈E∧v∈YX∧w∈XY(l)}
以及这些边连接的节点构成的子图；其中节点集



计算节点集

YX(h)＝YX/YX(l)，
其中dX-Y(v)为子图X-Y中节点v的度；将子图X-Y中的边集划分为两类，即



计算边集和节点集



生成子图J～Q，其为边集JJ(l)-JJ(l)和子图J-Q的并集；
生成子图K～S，其为边集SS(h)-SS(h),SS(h)-SS(l),SS(l)-SS(l)和子图K-S的并集；
P-Q、I-Q、J～Q、K-Q和K～S是五个输出的外围组件；
S207：生成子图S-Q，其是图G中边集{(v,w)|(v,w)∈E∧v∈S∧w∈Q}以及这些边连接的节点构成的子图(S-Q是一个输出的外围组件)；计算节点集和边集






将子图S-Q中的边集划分为四类，即QS(h)-SQ(h)，QS(h)-SQ(l)，QS(l)-SQ(h)和QS(l)-SQ(l)；
S208：设且其中，A是拓扑图中实组件Qbip的节点集且B是拓扑图中实组件Qcor的节点集；为了精确地建立Qbip与Qcor之间的关联性，按照以下方式生成虚组件生成二分图GA-B＝(A,B,EA-B)，其中EA-B＝{(a,b)|a∈A∧b∈B∧a和b是网络拓扑图G中的同一个节点}；
采用相同的方法生成拓扑图中其它七个虚组件KQ(l)-KS(l)、SQ(h),SQ(l)-SK(h),SK(l)和其中





3.根据权利要求1所述的基于结构模型的互联网拓扑特征提取方法，其特征在于，在S300中，特征参数抽取方法包括以下步骤：
输入：拓扑图序列G1,G2,…,GT，其中Gt(1≤t≤T)表示从起始时间开始第t个时间段探测得到的拓扑图；
输出：演化拓扑图序列的稳定特征参数；
S301：调用拓扑结构分解方法依次将演化拓扑图序列G1,G2,…,GT分解为八个实组件和八个虚组件，其中每个组件可被进一步分解为若干节点集和边集，具体分解方法详见拓扑结构分解方法；
S302：对于实组件Qcor，其包含三个节点集和三个边集依据拓扑图序列Gt(t＝1,2,…,T)，计算节点数的一次线性拟合函数Qcor_nh(t)，节点数的二次线性拟合函数Qcor_nm(t)和节点数的一次线性拟合函数Qcor_nl(t)；对于节点按度从大到小顺序排列的序号i＝1,2,…,Qcor_nh(t)，计算密度曲线拟合函数Qcor_density(i)，其表示图Gt的实组件Qcor中前i个度最大的节点之间的边数与最大可能边数i(i-1)/2的比率；对于中节点的度计算度偏好连接拟合函数Qcor_pc(d)，其表示图Gt的实组件Qcor中一条边连接度为d的节点的概率；对于中节点的度计算度分布拟合函数Qcor_pdl(d)，其表示图Gt的实组件Qcor中一个节点的度为d的概率；对于中节点的度计算度分布拟合函数Qcor_pdm(d)，其表示图Gt的实组件Qcor中一个节点的度为d的概率；将中节点按照它们的度从大到小的顺序排列，设ni为其中的第i个节点，计算一次线性拟合函数fi(t)＝mi·t+bi，其表示图Gt的实组件Qcor中节点ni的度，然后对于中节点排列的序号i＝1,2,…,Qcor_nh(t)，计算参数mi的拟合函数Qcor_m(i)，其表示中排列位置为i的节点的度的一次线性拟合函数fi(t)的斜率，并计算参数bi的拟合函数Qcor_b(i)，其表示中排列位置为i的节点的度的一次线性拟合函数fi(t)的截距；
上述Qcor_nh(t)、Qcor_nm(t)、Qcor_nl(t)、Qcor_density(i)、Qcor_pc(d)、Qcor_pdl(d)、Qcor_pdm(d)、Qcor_m(i)和Qcor_b(i)为提取的拓扑图序列Gt(t＝1,2,…,T)中实组件Qcor的稳定特征参数；
S303：对于实组件Qbip，其包含三个节点集和三个边集依据拓扑图序列Gt(t＝1,2,…,T)，计算节点数的一次线性拟合函数Qbip_nuh(t)，节点数的一次线性拟合函数Qbip_nul(t)和节点数的一次线性拟合函数Qbip_nbl(t)；对于中节点的度计算度偏好连接拟合函数Qbip_pc(d)，其表示图Gt的实组件Qbip中一条边连接度为d的节点的概率；对于中节点的度计算度偏好连接拟合函数Qbip_ps(d2)，其表示图Gt的实组件Qbip中一条边连接度为d2的节点的概率；对于中节点的度计算度分布拟合函数Qbip_pdu(d)，其表示图Gt的实组件Qbip中一个节点的度为d的概率；对于中节点的度计算度分布拟合函数Qbip_pdb(d)，其表示图Gt的实组件Qbip中一个节点的度为d的概率；将中节点按照它们的度从大到小的顺序排列，设ni为其中第i个节点，计算一次线性拟合函数fi(t)＝mi·t+bi，其表示图Gt的实组件Qbip中节点ni的度，然后对于中节点排列的序号i＝1,2,…,Qbip_nuh(t)，计算参数mi的拟合函数Qbip_m(i)，其表示中排列位置为i的节点的度的一次线性拟合函数fi(t)的斜率，并计算参数bi的拟合函数Qbip_b(i)，其表示中排列位置为i的节点的度的一次线性拟合函数fi(t)的截距；调用度对排序方法将由中节点的度构成的所有度对进行排序得到度对排序列表DPL，对于DPL中度对(d1,d2)的排列序号r，计算度对分布拟合函数Qbip_pdpl(r)，其表示图Gt的实组件Qbip中一条边连接两个度分别为d1和d2的节点的概率；
上述Qbip_nuh(t)、Qbip_nul(t)、Qbip_nbl(t)、Qbip_pc(d)、Qbip_ps(d2)、Qbip_pdu(d)、Qbip_pdb(d)、Qbip_m(i)、Qbip_b(i)和Qbip_pdpl(r)为提取的实组件Qbip的稳定特征参数；
S304：采用X-Y(其中X∈{P,I,J,K}且Y∈{S,Q})表示五个子图P-Q、I-Q、J-Q、K-Q和K-S；这五个子图的稳定特征参数提取方法相同，即子图X-Y的提取方法：
子图X-Y包含三个节点集YX(h),YX(l),XY(l)和两个边集YX(h)-XY(l),YX(l)-XY(l)；依据拓扑图序列Gt(t＝1,2,…,T)，计算YX(h)节点数的一次线性拟合函数XY_nyh(t)，YX(l)节点数的一次线性拟合函数XY_nyl(t)和XY(l)节点数的一次线性拟合函数XY_nxl(t)；对于XY(l)中节点的度d＝1,2,…,30，其中30为Gt(t＝1,2,…,T)中所有XY(l)节点的度的上界，计算度偏好连接拟合函数XY_pc(d)，其表示图Gt的子图X-Y中一条YX(h)-XY(l)边连接度为d的XY(l)节点的概率；对于XY(l)中节点的度d2＝1,2,…,30，计算度偏好连接拟合函数XY_ps(d2)，其表示图Gt的子图X-Y中一条YX(l)-XY(l)边连接度为d2的XY(l)节点的概率；对于YX(l)中节点的度计算度分布拟合函数XY_pdy(d)，其表示图Gt的子图X-Y中一个YX(l)节点的度为d的概率；对于XY(l)中节点的度d＝1,2,…,30，计算度分布拟合函数XY_pdx(d)，其表示图Gt的子图X-Y中一个XY(l)节点的度为d的概率；将YX(h)中节点按照它们的度从大到小的顺序排列，设ni为其中第i个节点，计算一次线性拟合函数fi(t)＝mi·t+bi，其表示图Gt的子图X-Y中节点ni的度，然后对于YX(h)中节点排列的序号i＝1,2,…,XY_nyh(t)，计算参数mi的拟合函数XY_m(i)，其表示YX(h)中排列位...

【专利技术属性】
技术研发人员：焦波，张文生，戎海武，何敏藩，石建迈，邢立宁，
申请(专利权)人：佛山科学技术学院，
类型：发明
国别省市：广东;44