计算机网络内部丢包节点检测仿真研究.pdf

1 9 0 2 0 2 3年8期2 0 2 3年第4 5卷第8期计算机网络内部丢包节点检测仿真研究周海江收稿时间:2 0 2 3-0 6-0 8作者简介:周海江(1 9 9 5-),本科,助理实验师,研究方向为网络工程。(广西农牧工程学校 广西 柳州5 4 5 0 0 0)摘 要 计算机网络节点丢包会严重影响网络通信质量,对相关行业的工作造成较大干扰,因此对丢包节点的检测十分必要。文中对现阶段应用的几种节点检查算法进行了评估和分析,结合既有检测方法存在的问题,提出了基于相似性度量、混合深度学习模型进行丢包节点检测的算法,并通过仿真实验验证了该算法的可行性,以期为相关人员提供参考。关键词:计算机网络;节点检测;网络丢包;仿真研究中图法分类号 T P 3 9 3.0 8S i m u l a t i o nR e s e a r c ho nP a c k e tL o s sN o d eD e t e c t i o n i nC o m p u t e rN e t w o r kZ HOU H a i j i a n g(G u a n g x iA g r i c u l t u r a l a n dA n i m a lH u s b a n d r yE n g i n e e r i n gS c h o o l,L i u z h o u,G u a n g x i 5 4 5 0 0 0,C h i n a)A b s t r a c t P a c k e t l o s so fc o m p u t e rn e t w o r kn o d e sw i l l s e r i o u s l ya f f e c tt h eq u a l i t yo fn e t w o r kc o mm u n i c a t i o na n dc a u s eg r e a t i n t e r f e r e n c e t o t h ew o r ko f r e l a t e d i n d u s t r i e s,s o i t i sv e r yn e c e s s a r y t od e t e c t p a c k e t l o s sn o d e s.I n t h i sp a p e r,s e v e-r a l n o d e i n s p e c t i o na l g o r i t h m sa p p l i e da tt h i ss t a g ea r ee v a l u a t e da n da n a l y z e d.C o m b i n e dw i t ht h ep r o b l e m se x i s t i n gi ne x i s t i n gd e t e c t i o nm e t h o d s,a na l g o r i t h mf o rp a c k e tl o s sn o d ed e t e c t i o nb a s e do ns i m i l a r i t y m e a s u r ea n dh y b r i dd e e pl e a r n i n gm o d e l i sp r o p o s e d,a n dt h ef e a s i b i l i t yo ft h ea l g o r i t h mi sv e r i f i e dt h r o u g hs i m u l a t i o ne x p e r i m e n t s,h o p i n gt op r o v i d er e f e r e n c e f o r r e l e v a n tp e r s o n n e l.K e y w o r d s C o m p u t e rn e t w o r k,N o d ed e t e c t i o n,N e t w o r kp a c k e t l o s s,S i m u l a t i o ns t u d y0 引言在环境复杂的计算机网络内部,部分节点极易出现丢包问题,对网络通信质量造成严重影响,导致设备运维监测、定位跟踪、应急通信等众多领域的工作受到影响。在常规运行情况下,出现网络丢包问题的概率相对较低,但随着计算机网络环境的变化,在恶劣环境中,节点丢包概率会大幅度增加,引发数据传输错误、程序运行失误等问题,从而对信息监测结果的可靠性造成干扰,影响对现场情况的分析与后续决策。因此,有必要对丢包节点开展专业检测工作,掌握网络运行状态,确保通信结果的可靠性。1 网络丢包节点监测研究现状无线网络环境下的数据传输通常需要面临较多的干扰,相关研究人员对计算机网络节点丢包检测的相关指令进行了描述,基于分布式算法提出了对网络内部替代链固定节点进行检测的方法,即通过局部最优结果替代丢包节点,但在实际应用过程中,通常会因节点容纳效果不佳而面临网络拥堵等问题。基于特征点分析的方式也能实现对网络丢包节点的检测,其在实际应用过程中,需要估算网络事件源的能量值,并保留计算期间存在的良性特征点,以特征点为基准来构建相应的坐标系,再通过在坐标系内计算和对比事件源与丢包节点距离的感知数值和计算数值的方式,实现对丢包节点的检测与评估。但该方法存在节点能耗严重的问题,会对计算机的使用寿命造成一定的影响。此外,针对节点检测工作,可以通过构建网络可信度模型的方法来判断内部节点状态,利用邻居协作模式面向邻居节点发出诊断丢包问题的检测需求,借助等概率时间窗口,对可能存在丢包问题节点的诊断检测需求发送时间进行预估,最终根据邻居节点恢复结果来判断丢包情况。然而,该方法的工作流程较为复杂,存在较高的误检和漏检率1-2。既有的网络丢包节点检测方法存在缺陷与不足,本文基于相似性度量的计算方式,提出了对丢包节点进行检测的方法,并针对该方法的应用效果进行了仿真研究,确认了该方法的可行性。2 基于相似性度量的丢包节点检测方法2.1 网络丢包节点端口扫描为实现对网络丢包节点的准确检测与评估,在检测过2 0 2 3年8期1 9 1 程中,需要对相应端口进行扫描,并采集相应的数据。在实际应用过程中,可以借助P y t h o n语言进行扫描,应用该语言中的S o c k e t模块对网络传输层UD P协议端口进行扫描。扫描期间的逻辑地址可以选取需要检测丢包问题的网络I P,并将影响性较大或代表性较强的丢包节点端口作为扫描目标,通过修改安全配置的方式,设定端口能对外开放,确保丢包检测效率的进一步提升。扫描过程可以采取T C P开放式的扫描,对计算机网络中存在丢包概率较大的节点,假设为4 2 2,6 5 5 3 5等进行扫描,并在开放节点扫描完成后,将T C P扫描关闭,即可完成扫描过程3。2.2 确定节点检测的关键点位在扫描完丢包节点端口后,工作人员需要对关键检测节点进行评估,从而更高效地对关键节点进行智能化检测,提升检测的精度。该工作可以借助深度学习模型切片处理网络丢包节点,提前对相关检测节点的机械能进行检测,并通过直线拟合的方式确定各检测节点的位置分布情况。通过拟合网络内部丢包节点关键点的方式,掌握关键点在直线中的位置,从而快速确定关键点位置,满足后续的检测处理需求。2.3 检测数据处理在获取丢包检测节点的关键点位置后,可以基于关键点进行针对性的检测工作,提取相关丢包节点的检测数据,通过算法公式实现节点检测数据由字符向数值方向的转化,如式(1)所示:f:AB(1)其中,A为计算机网络内部的丢包节点数据,为转化前的字符数据;B为字符数据转换后的数值,为二进制数据;f为A到B的映射。在检测计算机网络内部丢包节点过程中,存在精度误差大、收敛效率较差等问题,为确保实际检测工作效率和精度能满足使用需求,本文提出了应用混合深度学习模型进行节点数据处理的方式,借助该模型对每层的丢包节点检测数据进行单独、无监督的训练工作,通过该模型中的M i n-m a x算法对数据进行缩放处理,最终实现01范围内的数据特征归一化处理。对节点检测数据进行归一化缩放处理的算法公式如式(2)所示:X=(P-M i n)/(M a x-M i n)(2)其中,X为归一化算法的处理结果;M i n与M a x分别为算法模型归一化处理后的最小值与最大值;P为原数丢包节点检测数据的占比权重。借助该公式,能对映射转化后的二进制数据进行进一步的归一化处理4。在应用混合深度学习模型进行归一化处理的基础上,基于模型的77卷积核进行了更进一步的数据处理,实现了对丢包节点检测数据的深度分析。在实际处理过程中,需要利用独立信号对丢包节点检测数据的各个关键点进行处理,并对独立信号中的相关数据信息进行提取,数据信息提取的相关算法如式(3)所示:V=K d/X t(3)其中,v为假设的目标函数,K为函数公式中所检测丢包节点数据的字符长度,X为上述归一化算法d处理结果,t代表关联程度,即上一章节所述的关键点与丢包节点检测数据的关联度,d表示丢包节点检测数据集的大小。在式(3)的辅助下,能将独立信号和丢包节点检测关键点中存在关联性的数据进行提取,将提取的数据导入计算机中进行处理,可以实现对关键点中无关数据的过滤与剔除。如此,可确保节点检测数据处理的效率和精度满足检测需求。2.4 丢包节点相似性度量相似性独立的依据为丢包节点的特征数据,在确定特征数据具体方向的情况下,可通过相似性度量的方式来确定丢包节点。本文选择相似性度量的关键点为丢包节点的向量特征距离,该数据可以确定节点的相似性情况,距离越近,则相似性越高。在数据分析处理过程中,本文设定向量特征距离为D,如式(4)所示:D=k=1(dk-dm)2(4)其中,m为丢包节点间的相似权重;d为丢包节点的正态密度。利用式(4),能实现对特征距离的快速计算,根据D值大小来评估丢包检测节点的相似性。随着D值的增加,相似性度量会随之减小,因此丢包节点在检测过程中需要筛选出D值较小的点。2.5 丢包节点检测本文提出的对计算机网络内部丢包节点检测的方法,即对目标网络数据与丢包节点数据进行相似性度量,通过算法模型筛选出存在较大相似性的数据,整个数据处理过程是对网络节点数据的深度挖掘,假设整体结构权重为初始化过程,从而初始化处理训练期间的各类相关数据。在初始化处理的基础上,基于深度学习网络中的数据规律,来检测节点网络。为避免检测结果受到外界干扰因素的影响,在整个节点检测过程中,需要借助算法模型进行重复性训练,从而在训练过程中实现对深度学习能力的强化,最终更加准确、快速地检测网络节点丢包问题。在检测过程中,合理应用的数据能强化分类模块,该模块能进一步提升计算能力,从而基于特征对丢包数据进行分类处理。上述检测过程如式(5)所示:x=12w2(5)其中,为阶段检测的正则化率;w为网络层参数。在应用式(5)进行检测分析的基础上,可以应用数据强化分类模块,对丢包节点的网络属性进行自动评估和分路处理。可以应用R e L u激活函数检测网络丢包节点,假设该函数为R e L u(x),如式(6)所示:移动信息1 9 2 2 0 2 3年8期R e L u(x)=0,x0 x,x0(6)其中,x为丢包节点的检测数据结果。当数据结果不小于0时,节点无丢包等异常情况;当结果小于0时,说明该节点存在网络丢包问题。此时,则可以设定发出相应的丢包报警,有效提升丢包节点检测召回率。在深度学习相关算法模型、计算公式及数据分类工具的辅助下,计算机网络丢包节点的特征能被快速提取出来,并将其与网络节点数据进行对比,实现正常与丢包数据的高效分离处理,实现对丢包节点的检测。为验证该算法的可行性,下文开展了仿真测试研究。3 仿真测试研究3.1 仿真场景设置为测试该方法在网络丢包节点检测中的实用性,本文选择对网络传输丢包情况进行模拟,构建相应的仿真场景。在设置场景时,在连动杆分别布置数据源与固定基站,假设数据源在1 5 0 s内生成6 0 0数据报,通信速率为1 9.2 K b p s,节点速度为2 0 m/s,发送端宽短以0.2M b p s速率在2.2M b p s与0.4M b p s之间变化。设置该网络的安全性,拒绝脚本或访问工具,利用P S F Q传输层重传机制对恶劣的通信环境进行模拟,设定通信过程中存在1 0%1 5%的误码丢包率为十分恶劣,低于该数值为一般恶劣。在此基础上,建立网络丢包模型,设定链路为核心层、汇聚层、接入层等层次,各层丢包概率占比为2:3:3。3.2 仿真结果分析在建立仿真场景后,对检测算法进行测试,得到对照、实验两组丢包节点检测率(丢包节点检出的数量与总丢包节点数量的比值),数据结果如表1所列。表1 丢包节点检测率的对比结果节点发送端带宽/M b p s对照组检测率/%实验组检测率/%2.29 1.9 49 5.3 529 0.49 5.6 11.89 0.9 29 6.3 41.68 9.1 49 7.2 21.49 2.0 49 5.31.29 0.9 39 6.0 918 9.8 29 6.3 20.88 8.1 39 5.9 80.69 0.9 29 5.4 40.48 9.9 39 6.9 3表1所列的数据表明,对照组丢包节点平均检测率为9 0.4 2%,实验组平均值为9 6.0 6%。相对而言,实验组的丢包节点检测率更高,两者平均值相差超过5.6%。在进行丢包节点检测的基础上,对比对照组和实验组节点数据的接收和转发情况,得到转发率数据(转发数据量与接收数据量的比值),如表2所列。表2 节点转发率对比结果节点发送端带宽/M b p s对照组检测率/%实验组检测率/%2.28 2.0 59 1.3 628 3.3 59 2.8 11.88 2.5 39 0.4 91.68 1.4 69 1.8 31.48 0.5 59 2.31.28 2.4 99 3.1 418 1.8 29 0.9 90.88 2.4 59 1.8 80.68 1.9 49 2.1 30.48 0.2 99 0.4 5表2所列的数据表明,对照组节点转发率的平均值为8 1.8 9%,实验组平均值为9 1.7 4%。相对而言,实验组的丢包节点检测率更高,两者平均值相差超过9.8%。通过对比丢包节点检测率和节点转发率,仿真结果表明,相对于传统检测方法,本文研究的方法效果更佳,不仅能实现对丢包节点的准确检测,也能提升节点数据转发率,应用效果良好。4 结语本文提出的网络节点丢包检查方法相比传统算法具有更高的检测效率。在实际检查过程中,合理应用了混合深度学习模型、网络节点数据分类模块、相似性度量等方法。另外,通过仿真实验的方式,确定了该算法的丢包节点检测率能达到9 6%以上,同时也能保障节点数据的转发率,具有较高的推广应用价值。后续还需要深入挖掘该方法在丢包节点定位等方面的应用。参考文献1姚素红.基于相似度计算的计算机网络内部丢包节点检测方法J.信息技术与信息化,2 0 1 8(9):9 9-1 0 1.2皇甫颖莹.无线通信网络中异常丢包节点的统计检测方法研究D.成都:电子科技大学,2 0 2 2.3周慧芬.计算机网络内部丢包节点检测修正研究J.微型电脑应用,2 0 2 2,3 8(6):7 2-7 4.4傅文博.计算机网络内部丢包节点检测仿真研究J.计算机仿真,2 0 1 8,3 5(1):3 5 3-3 5 6,3 8 5.移动信息