[发明专利]一种基于bloom滤波器的IPv6网络流测量方法

说明书

该发明公开了一种基于bloom滤波器的IPv6网络流测量方法，属于网络流量估计领域。本发明能够实现对网络流量测量的误差更低，并且能够不增加甚至减少bloom滤波器的复杂度和存储空间。该方法仅使用bloom滤波器对网络进行低抽样频率的测量，因此可以有效减少bloom滤波器的误判率，然后使用ARIMA预测算法预测得到时序预测的网络流量，然后使用蚁群算法对时序预测的网络测量结果进行优化，因此可以在有限的抽样频率的条件下得到接近实际的网络流测量结果，在流量小，测量数据稀少的场景下也能应用，因而应用范围更加广泛。并且，由于bloom滤波器中存在预测模块，在流量剧烈变化时有良好的回归能力，相比于其他bloom滤波器，更适合流量变化剧烈和具有长期趋势性变化的流量测量。

技术领域

本发明属于网络数据流测量和统计领域，特别是涉及bloom滤波测量IPv6网络流的方法。

背景技术

IPv6网络的规模更大、速率更快，对系统计算和存储资源提出了更高的要求，且增加了传统的对流经链路所有数据包进行捕获和测量的难度。抽样技术作为一种可扩展的数据缩减技术，其能够有效保留原始流量行为的细节，提高系统的处理效率和资源利用率。目前，应用较广泛的技术主要有哈希算法、超时策略和概要数据结构，并由此衍生出如流抽样、抽样与哈希结合的测量以及基于bloom滤波器的抽样测量等。其中，bloom滤波器具有简便易实现、资源利用率高以及处理速度快等优点，相比于传统随机抽样，能够判断当前分组报文是否是新流，且空间与时间复杂度都比较低，因此更加适合与网络流抽样。

但是，使用bloom滤波器的网络测量方法一直存在随着存入元素数量增加，误算率随之增加的问题。而为了对高速、大流量网络流量进行准确的测量，通常需要对网络进行更高频率的测量，从而导致元素数量增加，使得要么bloom滤波器复杂度和存储空间增加，要么使得误算率增加。bloom滤波器也有很多改进算法，主要有Counting bloom滤波器，Compressed bloom滤波器，Spectral bloom滤波器和Dynamic Counting滤波器。最具代表性的如Counting bloom滤波器，解决了删除元素的问题，降低了溢出率，增加了bloom滤波器的准确性。Spectral bloom滤波器，由于其存储类似于多重集结构，所以对于频繁的查询操作来说，可以很好的支持。Stable bloom滤波器大量压缩数据，使得在存储空间上降低要求，特别适用于数据流的重复检测。Dynamic Couting bloom滤波器使用多层Coutingbloom滤波器，根据网络流量动态增加层数，减小了因计数器溢出造成的误算率。现有基于bloom滤波器的网络流测量技术大多对网络流进行被动的测量，因此需要高抽样频率以达到更好的测量结果，因此需要在误算率、计算复杂度和空间复杂度三者之间求均衡。少有技术充分利用有限的网络流测量结果对真实的网络流信息进行估计，并且采用主动获取的少量准确信息对估计结果进行修正。

在IPv6网络中的网络速度快，流量波动剧烈，测量得到的网络流量可以用时间序列表示。所以可以将流量建模成时间序列并发现流量的变化趋势，该建模方法属于时间序列分析领域，自回归积分移动平均(ARIMA)模型是最典型和最常用的时间序列分析模型。而在在对结果进行优化时，可以应用蚁群算法，蚁群算法(AC)是一种用于解决复杂组合优化问题，具有很强的发现好解的能力，具有高度的灵活性和健壮性。

发明内容