一种基于无监督学习的路由器排队延迟探测方法及装置制造方法及图纸

本发明专利技术公开了一种基于无监督学习的路由器排队延迟探测方法及装置，涉及有线网络技术领域。该基于无监督学习的路由器排队延迟探测方法，包括以下步骤：生成UDP数据包对，并将UDP数据包对由源地址经待测路由器传输发送至目标地址；收集UDP数据包对的时间间隔数据；利用无监督学习的Kmeans聚类算法对收集的时间间隔数据进行学习，得出聚类结果和质心；计算待测路由器排队延迟。本发明专利技术通过Kmeans聚类算法对收集的时间间隔数据进行学习，在根据聚类结果和质心计算待测路由器排队延迟达到了依据不同传输延迟情况对路由器排队延迟进行精确分析的效果，解决了现有测量路由器排队延迟的方案测量准确率低的问题。方案测量准确率低的问题。方案测量准确率低的问题。

【技术实现步骤摘要】
一种基于无监督学习的路由器排队延迟探测方法及装置


[0001]本专利技术涉及有线网络
，尤其涉及一种基于无监督学习的路由器排队延迟探测方法及装置。

技术介绍

[0002]排队时延是指数据包在端到端路径的中间节点(即路由器)内部的等待时间。它是一个动态的网络参数，依赖于路由器上竞争流量的瞬时状态(例如速率和数量)。尽管骨干网的高传输速度能使路由器上的排队延迟最小化，但互联网路径上的排队延迟仍然很常见。因此，在传统互联网(如IP地理定位)和视觉互联网(如远程外科)环境中，精确测量排队延迟对于确保各种应用程序的性能至关重要。
[0003]通过被动或主动测量来测量排队延迟有多种方案。被动方案在互联网服务提供商中很流行，它们通常使用被测量路径上的持续数据流来测量排队延迟，对基础设施支持(例如，专用设备或特定网络架构)和管理访问(例如，直接访问测试路由器)进行严格要求。主动方案通常使用商品设备(例如工作站)和合成探测包来测量参数。然而，这些方案的限制问题要么是由于其特殊的探测数据包(如ICMP协议数据包)或被测路径的严格拓扑配置(如树状网络拓扑)而导致缺乏准确性。
[0004]但本申请专利技术人在实现本申请实施例中专利技术技术方案的过程中，发现上述技术至少存在如下技术问题：
[0005]现有的被动方案对基础设施支持和管理访问的严格要求使它们不太适合部署在互联网上；现有的主动方案对在互联网上广泛部署没有限制。这些方案的限制问题主要是由于其特殊的探测数据包(如ICMP协议数据包)或被测路径的严格拓扑配置(如树状网络拓扑)而导致缺乏准确性。综上所述，现有的测量路由器排队延迟的方案测量准确率低。

技术实现思路

[0006]本申请实施例通过提供一种基于无监督学习的路由器排队延迟探测方法及装置，解决了现有技术中测量路由器排队延迟的方案测量准确率低的技术问题，实现了在没有网络支持的情况下依然可以精确测量路由器排队延迟情况。
[0007]本申请实施例提供了一种基于无监督学习的路由器排队延迟探测方法，包括以下步骤：
[0008]S1，生成UDP数据包对，并将UDP数据包对由源地址经待测路由器传输发送至目标地址；
[0009]S2，收集UDP数据包对的时间间隔数据；
[0010]S3，利用无监督学习的Kmeans聚类算法对收集的时间间隔数据进行学习，得出聚类结果和质心；
[0011]S4，计算待测路由器排队延迟。
[0012]进一步的，所述S1中的经待测路由器传输的数据包对数量不低于四个。
[0013]进一步的，所述S1中的待测路由为具有交叉流量的路由器。
[0014]进一步的，所述S2中收集的UPD数据包对的时间间隔数据包括三种情况：时间间隔不变、时间间隔压缩和时间间隔扩展，且满足G
co
＜G
nc
＜G
de
；
[0015]其中，G
co
是时间间隔压缩数据，G
nc
是时间间隔不变数据，G
de
是时间间隔扩展数据。
[0016]进一步的，所述S3中对收集的数据进行学习时需要将不同类型的数据进行簇标记：压缩类标记为co簇、不变类标记为nc簇和扩展类标记为de簇，并应用于时间间隔压缩G
co
、时间间隔不变G
nc
和时间间隔扩展G
de
，和co簇的簇中心M
co
、nc簇的簇中心M
nc
和nc簇的簇中心M
de
。
[0017]进一步的，所述S3中对收集的数据进行学习时，会建立传输时间间隔的三峰分布模拟图。
[0018]进一步的，所述S3中对利用Kmeans聚类算法对收集的数据进行学习的具体步骤为：
[0019]S31，随机选择3个时间间隔作为质心；
[0020]S32，截断每个簇中频率小于0.2s
i
的时间间隔，其中s
i
为簇i的总数据包对大小；
[0021]S33，使用剩余的时间间隔值更新每个集群的质心；
[0022]S34，循环S31至S33，进行迭代计算，直到获得一个相较平稳的质心，得到聚类结果，结束聚类。
[0023]进一步的，所述S4中计算待测路由器排队延迟需要根据S3步中得到的聚类结果和质心确定延迟范围值。
[0024]进一步的，确定所述延迟范围值的具体方法为：
[0025]步骤一：根据时间间隔压缩计算排队延迟w
co
：
[0026]w
co
＝M
nc
‑
M
co
，
[0027]其中，M
nc
为簇nc的簇中心，M
co
为簇co的簇中心；
[0028]步骤二：根据时间间隔扩展计算排队延迟w
de
：
[0029]w
de
＝M
de
‑
M
nc
，
[0030]其中，M
de
为簇de的簇中心；
[0031]步骤三：估计总排队延迟w：
[0032][0033]其中，w
i
是i对应簇的排队延迟值，是i对应簇的加权的簇大小；
[0034]步骤四：计算标准差σ：
[0035][0036]其中x
j
包括co和de，n
′
是簇co的总数据包对大小与簇de的总数据包对大小的和；
[0037]步骤五：计算待测路由器上的队列延迟估计范围为w
±
σ。
[0038]本申请实施例提供了一种基于无监督学习的路由器排队延迟探测装置，包括预备模块、收集模块、处理模块和计算模块：
[0039]预备模块：用于生成UDP数据包对，并将UDP数据包对由源地址经待测路由器传输发送至目标地址；
[0040]收集模块：用于收集数据包对的时间间隔数据；
[0041]处理模块：用于利用无监督学习的Kmeans聚类算法对收集的时间间隔数据进行学习，得出聚类结果和质心；
[0042]计算模块：用于计算待测路由器排队延迟。
[0043]本申请实施例中提供的一个或多个技术方案，至少具有如下技术效果或优点：
[0044]1、由于采用了Kmeans聚类算法对收集的时间间隔数据进行学习，在根据聚类结果和质心计算待测路由器排队延迟的技术，所以避免了人工对数据标注对测量结果造成的干扰，有效解决了现有测量路由器排队延迟的方案测量准确率低的问题，进而实现了依据不同传输延迟情况对路由器排队延迟进行精确分析。
[0045]2、由于采用了对收集的数据进行学习时建立传输时间间隔的三峰分布模拟图的技术，所以能够直观的表现出不同的传输延迟对应的情况，有效解决了现有测量路由排队延迟方法中无法准确定位是何种传输延迟导本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于无监督学习的路由器排队延迟探测方法，其特征在于，包括以下步骤：S1，生成UDP数据包对，并将UDP数据包对由源地址经待测路由器传输发送至目标地址；S2，收集UDP数据包对的时间间隔数据；S3，利用无监督学习的Kmeans聚类算法对收集的时间间隔数据进行学习，得出聚类结果和质心；S4，计算待测路由器排队延迟。2.根据权利要求1所述基于无监督学习的路由器排队延迟探测的方法，其特征在于：所述S1中的经待测路由器传输的数据包对数量不低于四个。3.根据权利要求1所述基于无监督学习的路由器排队延迟探测的方法，其特征在于：所述S1中的待测路由为具有交叉流量的路由器。4.根据权利要求1所述基于无监督学习的路由器排队延迟探测的方法，其特征在于，所述S2中收集的UPD数据包对的时间间隔数据包括三种情况：时间间隔不变、时间间隔压缩和时间间隔扩展，且满足G
co
<G
nc
<G
de
；其中，G
co
是时间间隔压缩数据，G
nc
是时间间隔不变数据，G
de
是时间间隔扩展数据。5.根据权利要求1所述基于无监督学习的路由器排队延迟探测的方法，其特征在于，所述S3中对收集的数据进行学习时需要将不同类型的数据进行簇标记：压缩类标记为co簇、不变类标记为nc簇和扩展类标记为de簇，并应用于时间间隔压缩G
co
、时间间隔不变G
nc
和时间间隔扩展G
de
，和co簇的簇中心M
co
、nc簇的簇中心M
nc
和nc簇的簇中心M
de
。6.根据权利要求1所述基于无监督学习的路由器排队延迟探测的方法，其特征在于：所述S3中对收集的数据进行学习时，会建立传输时间间隔的三峰分布模拟图。7.根据权利要求1所述基于无监督学习的路由器排队延迟探测的方法，其特征在于，所述S3中对利用Kmeans聚类算法对收集的数据进行学习的具体步骤为：S31，随机选择3个时间...

【专利技术属性】
技术研发人员：郭建章，朱挺，林碧兰，邢亮，马涛，石彦彬，彭志婷，
申请(专利权)人：中电信数智科技有限公司，
类型：发明
国别省市：