| |
| |
| |
| 文章出处：中国论文下载中心 发布时间：2005-11-11 |
要对一个网络进行主动测量，需要一个测量系统，这种主动测量系统一般包括以下四个部分:测量节点（探针）、中心服务器、中心数据库和分析服务器。有中心服务器对测量节点进行控制，由测量节点执行测量任务，测量数据由中心数据库保存，数据分析则由分析服务器完成。
3.2.2 被动测量
被动测量是指在链路或设备(如路由器，交换机等)上利用测量设备对网络进行监测，而不需要产生多余流量的测量方法。被动测量的优点在于理论上它不产生多余流量，不会增加网络负担；其缺点在于被动测量基本上是基于对单个设备的监测，很难对网络端到端的性能进行分析，并且可能实时采集的数据量过大，另外还存在用户数据泄漏等安全性和隐私问题。
被动测量非常适合用来进行流量测量。
3.2.3主动测量与被动测量的结合
主动测量与被动测量各有其优、缺点，而且对于不同的性能参数来说，主动测量和被动测量也都有其各自的用途。因此，将主动测量与被动测量相结合将会给网络性能测量带来新的发展。
3.3 测量中的抽样
3.3.1 抽样概念
抽样，也叫采样，抽样的特性是由抽样过程所服从的分布函数所决定的。研究抽样，主要就是研究其分布函数。对于主动测量，其抽样是指发送测量数据包的过程；对于被动测量来说，抽样则是指从业务流量中采集测量数据的过程。
3.3.2 抽样方法
依据抽样时间间隔所服从的分布，抽样方法可分为很多种，目前比较常用的抽样方法是周期抽样、随机附加抽样和泊松抽样[4]。周期抽样是一种最简单的抽样方式，每隔固定时间产生一次抽样。因为简单，所以应用的很多。但它存在以下一些缺点: 测量容易具有周期性、具有很强的可预测性、会使被测网络陷入一种同步状态。随机附加抽样的抽样间隔的产生是相互独立的，并服从某种分布函数，这种抽样方法的优劣取决于分布函数：当时间间隔以概率1 取某个常数，那么该抽样就退化为周期抽样。随机附加抽样的主要优点在于其抽样间隔是随机产生的，因此可以避免对网络产生同步效应，它的主要缺点是由于抽样不是以固定间隔进行，从而导致频域分析复杂化。
在RFC2330 中，推荐泊松抽样，它的时间间隔符合泊松分布，它的优点是：能够实现对测量结果的无偏估计、测量结果不可预测、不会产生同步现象。但是，由于指数函数是无界的，因此泊松抽样有可能产生很长的抽样间隔，因此，实际应用中可以限定一个最大间隔值，以加速抽样过程的收敛。
4.性能指标的测量与分析
4.1 连接性
连接性[5]也称可用性、连通性或者可达性，严格说应该是网络的基本能力或属性，不能称为性能，但ITU-T建议可以用一些方法进行定量的测量。目前还提出了连通率的概念，根据连通率的分布状况建立拟合模型。
4.2 延迟
延迟的定义是[6]：IP 包穿越一个或多个网段所经历的时间。延迟由固定延迟和可变延迟两部分组成[7][8]。固定延迟基本不变，由传播延迟和传输延迟构成；可变延迟由中间路由器处理延迟和排队等待延迟两部分构成。对于单向延迟测量要求时钟严格同步，这在实际的测量中很难做到，许多测量方案都采用往返延迟，以避开时钟同步问题。
往返延迟的测量方法是：入口路由器将测量包打上时戳后，发送到出口路由器。出口路由器一接收到测量包便打上时戳，随后立即使该数据包原路返回。入口路由器接收到返回的数据包之后就可以评估路径的端到端时延。
4.3 丢包率
丢包率的定义是[9]：丢失的IP 包与所有的IP 包的比值。许多因素会导致数据包在网络上传输时被丢弃，例如数据包的大小以及数据发送时链路的拥塞状况等。
为了评估网络的丢包率，一般采用直接发送测量包来进行测量。对丢包率进行准确的评估与预测则需要一定的数学模型。目前评估网络丢包率的模型主要有贝努利模型、马尔可夫模型和隐马尔可夫模型等等[10]。贝努利模型是基于独立同分布的，即假定每个数据包在网络上传输时被丢弃的概率是不相关的，因此它比较简单但预测的准确度以及可靠性都不太理想。但是，由于先进先出的排队方式的采用，使得包丢失之间有很强的相关性，即在传输过程中，包被丢失受上一个包丢失的影响相当大。假定用随机变量Xi 代表包的丢失事件，Xi = 0 表示包丢失，而Xi = 1 表
示包未丢失。则第i 个包丢失的概率为P[Xi|Xi-1, Xi-2,…Xi-n], Xi-1, Xi-2,...Xi-n 取所有的组合情况。当N=2 时，该Markov 链退化为著名的Gilbert 模型。隐马尔可夫模型是对马尔可夫模型的改进。
Maya Yajnik等人所作的172 小时的测量试验[11]结果表明，在不同的数据采样间隔下（20ms,40ms,80ms,160ms）采用三种不同的丢包率分析模型进行分析得到的结果完全不同，在不同的估计精确度的要求下实验结果也各有不同。因此，目前需要能够精确描述丢包率的数学模型。
|
|
| [返回顶部↑]
|
|
|
| |
|
|
|
|
| |
|
