面向交换机验证的流量生成器研究与设计本科毕业论文(编辑修改稿)

面向交换机验证的流量生成器研究与设计本科毕业论文(编辑修改稿)内容摘要：

al Carrier 48）速率，实现理想的速率和流量统计特性。 产生一个数据包需要多个步骤：确定数据包的发送时间、包大小、帧头和有效载荷内容。 不同的数据包流可独立产生，通过将数据包流进行复用来实现一定聚合行为，然后传输到不同接口。 由于FPGA硬件资源的并行工作特点，多个步骤可以同时进行，从而缩短总的执行时间，而在处理器上这些步骤需要顺序执行，减慢执行速度。 FPGA的另一个有利特点，每个操作在硬件上的执行时间设计者已知，这对于根据特定分布实时产生流量来测试网络设备非常重要。 图28 FPGEN的泊松流量生成器基本构成单元如图28所示，是FPGEN的泊松流量生成器的基本构成单元。 主要由50个流量源、标志队列、控制单元和输出缓存构成。 50个流量源：以λ/50的选择概率产生1位数据包生成标志，以达到λ的泊松到达率。 标志队列：每个数据包源以λ/50概率产生数据包生成标志，写入相应队列。 控制单元：每当50个源中任何一个产生一个标志，该标志被压入FQ，由所有流量源共享。 输出缓存：数据流量的缓存。 FPGEN不依赖于包含数据包信息的文件，不需要任何外部硬件资源，可以移植到有较大数量接口、更快接口和时钟速度的FPGA环境中，以实现速率线性增加，每个接口每个时钟周期可生成一个数据包，可以实现泊松流量和onoff流量。 本章小结本章主要介绍了目前交换机的发展状况，并分析了交换机的相关结构。 接着对目前研究所使用的流量生成器进行介绍，分析对比了硬件式流量生成器与软件式流量生成器。 第3章 网络流量模型研究第3章 网络流量模型研究为了实现对交换机的测试，必须模拟真实网络环境下的网络流量，因此建立合适的网络流量模型应用于交换机测试不可或缺。 本章首先对网络流量模型进行分类介绍，接着依次对泊松模型、马尔科夫模型以及自相似模型详细的做出描述，最后建立流量模型，实现真实网络流量的模拟。 流量模型概述自互联网问世之后，网络流量特性的研究一直在不断探索中，专家学者们都试图建立一个优良的数学模型来近似表示网络流量。 而随着互联网的不断发展完善、网络应用的多样化以及新型网络应用的快速部署，网络流量特性也随之不断发生变化，建立一个能够准确、有效地描述网络流量特性的流量模型，对 QoS、网络性能管理、准入控制的意义和作用越发显得重要起来。 在本文设计中，硬件部分流量产生器利用在PowerPC微处理器上建立的网络流量模型，发送数据包及其时间间隔数据到VerilogHDL配置的硬件接口从而产生用于测试FC交换机的网络流量。 短相关流量模型最开始的流量模型建立于20世纪70年代和80年代早期，由于当时网络的应用比较单一，数据传输量较小以及受到网络测量技术的限制，人们借鉴公共交换电话网络的模型，使用泊松模型来描述数据网络的流量，并取得不错的效果。 进入80年代中后期，随着 FAX、数据网络和Web的出现，泊松过程已不能充分反映 Internet 业务流量的特性。 随后人们又逐渐引入了马尔科夫和回归等随机模型来描述网络流量。 马尔可夫流量模型易于排队性能的解析处理，然而模型解析解的复杂度将随着模型参数数目增加而增加，因此马尔可夫模型主要还是广泛应用于电话网络中。 回归模型比较易于进行流量模拟，常用来做计算机仿真，但不易进行排队处理。 一般情况下，这些早期模型被人们称为传统网络流量模型，也就是短相关模型。 这些短相关模型在时域上具有短相关性，在经过时间上的平均后，其突发性会降低，趋于平稳状态。 在如今的真实网络流量中，突发性是十分重要的一环，因此如今的短相关模型大部分都不能准确的来模拟真实的网络流量。 长相关流量模型20 世纪 90 年代以来,随着网络节点数呈指数增加和多媒体、视频、远程教育等网络应用的不断出现，流量特性变得更加复杂。 由于不同的网络应用具有不同的流量特性，使得网络流量特性也发生了显著变化，这些都增加了网络流量特征化的困难。 随着研究的深入，研究人员发现网络流量具有自相似特性，传统的流量模型已不能很好地描述网络的自相似性，而流量的自相似性又是网络的普遍属性并决定了网络的行为，因而基于自相似建模的研究便成为网络研究中的一个重要方向[13]。 自相似模型在相关函数上表现出了长相关特性，因此也是长相关网络流量模型中的典型代表模型。 在FC交换机的验证中，为了模拟网络流量的真实可靠性，单一的流量模型如泊松流量模型根本无法将如今网络流量的突发性或者长相关特性体现出来。 因此，软件部分的网络流量建模需要将长相关、短相关流量模型结合起来。 本章将重点介绍网络流量模型中的泊松流量模型、马尔科夫调制的泊松流量模型以及自相似流量模型，并利用PowerPC处理器采用C语言搭建流量模型。 泊松流量模型泊松分布是概率学中最重要的分布之一，在历史上有着十分重大的意义。 泊松流量模型是根据泊松分布实现的排队过程，也被称为泊松过程，最早是由20世纪初的Erlang更具电话业务的特征提出的，并且在最初的电话网络中发挥着举足轻重的作用。 在网络建模的早期，泊松流量模型更是被大多数学者所关注研究，时至今日泊松流量模型在短相关模型里仍然具有着代表地位。 模型分析泊松流量模型即指在时间序列t内，包到达的数量n(t)符合参数为的泊松分布，即公式（31）： (31)其相应的包到达的时间间隔序列T呈负指数分布，即。 其中，泊松过程的强度表示单位时间间隔内出现包数量的期望值，即包到达的平均速率，其值为。 泊松模型假设网络事件（如数据包到达）是独立分布的，并且只与一个单一的速率参数有关。 泊松模型较好地满足了早期网络的建模需求，在网络设计、维护、管理和性能分析等方面发挥了很大的作用[13]。 模型建立泊松（possion）流量模型的建立主要取决于包到达服务器的时间间隔T的取值，具体步骤如下所示：1. 设置随机数种子rand，满足rand在0~1之间随机变化，体现泊松过程的随机性。 2. 由于泊松流量模型中相应的包到达时间间隔T呈现负指数分布，由公式可知：。 通过计算我们可以得到结果，到达时间间隔计算公式（32）： (32)泊松过程的强度表示单位时间间隔内出现包数量的期望值，那么即为发送每个数据包的平均时间间隔。 设置流量生成器的负载率为p，数据包长度为fram_length，那么就有。 3. 最终我们得到结论，需要的满足泊松流量模型的时间间隔数据公式（33）： (33)通过控制写入数据寄存器的时间间隔数据，并在软件中设置好硬件所需的传递参数，如：负载率p，数据包帧长frame_length，port端口和返回参数，写入流量生成器的参数寄存器，即可完成我们的泊松流量模型的搭建工作。 马尔科夫调制的泊松流量模型马尔科夫（markov）模型的建立始于20世纪80年代中后期，其可以实现模拟网络流量的突发性，在建模初期的电话网络中具有十分重大的作用。 马尔可夫模型建立的基础是“无后效性”和“平稳性”。 无后效性是指事物本阶段的状态只与前一个阶段的状态有关,而与以前其他任何阶段的状态无关。 稳定性是指在较长时间后马尔可夫过程逐渐趋于稳定状态,而与初始状态无关。 模型分析马尔科夫调制的泊松流量（Markov Modulated Poisson Process，MMPP）模型是由泊松模型和马尔科夫链共同组成。 泊松模型已在前文细述，马尔科夫链定义如下：对于一个给定的状态空间，表示在n时刻状态的随机变量，如果的概率值依赖当前的状态，和过去未来的状态无关，那么，就形成了一个马尔科夫链。 如果状态转换发生在离散时间序列，则称马尔科夫链是离散的，否则称为连续的马尔科夫链。 马尔科夫属性意味着未来状态只依赖于当前状态，这使得描述一个状态持续时间的随机变量的分布呈指数分布（连续时间）或几何分布（离散时间）[14]。 马尔科夫调制的泊松分布模型状态转换如图31所示。 图中共存在两个状态分别代表ON状态和OFF状态，ON状态内部参数为，OFF状态内部参数为。 其中代表ON状态服从参数为的泊松分布，代表OFF状态服从参数为的泊松分布。 在ON状态和OFF状态之间有一定的概率转化关系，ON状态具有的概率跳转到OFF状态，反之OFF状态具有的概率跳转到ON状态[15]。 图31 马尔科夫调制的泊松分布模型状态转换图而根据马尔科夫链定义，ON状态的状态持续时间将满足参数为的负指数分布，OFF状态的状态持续时间将满足参数为的负指数分布。 模型建立马尔科夫调制的泊松分布模型中，ON状态为流量发送状态，将给流量生成器的数据寄存器发送包到达时间间隔T，OFF状态为关闭状态，将会给流量生成器参数寄存器传递参数，控制其不发送数据。 为了实现模拟网络流量的突发性，状态转换概率的控制必不可少，显然远大于，如此可以凸显突发状态不发送数据的情况。 具体模型建立步骤如下所示：1. 设置相关参数，负载率p，数据包帧长frame_length，并设定易于验证实现模型。 2. 由ON和OFF的状态持续时间满足负指数分布可知，ON状态和OFF状态的状态持续时间比例为:。 又由于ON状态发送数据包OFF状态不发送数据包，那么可以得到ON状态负载率。 据前文泊松模型计算公式可以知道此事，可以得出公式（34）： (34)3. 设置状态到达时间参数timetoarrival以及状态持续时间参数timetotransition。 状态持续时间timetotransition满足参数的负指数分布，状态到达时间timetoarrival满足参数为的负指数分布。 并且状态持续时间timetotransition显然是状态到达时间timetoarrival的倍数关系，那么我们可以得到timetoarrival关系式（35）如下： (35)其中在ON状态指代，OFF状态指代。 此外timetotransition关系式如（36）可以表示为： (36)4. 最后则要考虑状态转换问题，其转换情况将根据状态持续时间timetotransition和状态到达时间timetoarrival的大小关系进行。 如图32所示，初始状态预设，也就是ON状态。 产生初始状态持续时间timetotransition和初始状态到达时间timetoarrival，比较两者大小，若timetotransitiontimetoarrival则timetotransition=timetotransitiontimetoarrival，存储状态到达时间到数据寄存器并且产生新的timetoarrival，反之代表ON状态切换到OFF状态，重新产生timetotransition，再一次进行新的比较。 如此产生足够多的数据即可完成模拟马尔科夫调制的泊松分布模型数据流。 图32 马尔科夫建模状态转换图 自相似流量模型上文介绍的流量模型均是网络建模前期所提出的短相关模型，其具有网络流量模型的基本特征，但是在目前网络技术发展迅速的时代中并不适合。 长相关模型于1994年提出，它能正确的反应当下网络流量的特性，是目前应用最为广泛的流量模型，而在长相关模型的构建中，自相似模型无疑是长相关模型的代表模型。 自相似模型反映了局部的结构与总体的结构相比具有某种程度的一致性，在建模过程中利用自相似模型可以更好的理解长相关特性。 自相似概念自相似的概念是由分形学引出的。 分形是美籍法国数学家芒特勃罗(Benoit )[16] 在研究海岸线曲线的过程中提出的，具有不规则、支离破碎的含义。 芒特勃罗试图用分形来描述几何学中，不能满足传统欧几里得几何学的一些复杂的对象。 直观的来描述分形的物理意义，就是将图形的任何一部分取出，进行不同比例的缩放都可以得出与原图形非常相似的形状。 并且用不同尺度来度量这样的图形,也可以得到不同的结果，尺度越小，度量的结果越精细，当然图形总长度也会随之变大。 这解释了自然界中这类图形的一个重要性质，即是分维的性质。 这些图形的维度并不是整数的。 对于这种不是整数维度的对象，在自然界中并不是特例。 整数维度的的图形反而是一种特殊情况。 传统的数学的线性方法不能描述这类问题,例如在流体力学中的湍流、对流等问题。 分形理论在近代科学中大放异彩。 分形几何从很多方面增强了我们使用数学方法对世界的认知。 首先，自然界中的很多形状并不是规则的，但背后都是有规律的，很多从前不可以描述的形状，都可以使用计算机进行模拟，数字化地得出类似的景象。 这种方法可以帮助人们将庞大复杂的现实世界压缩建模，进一步研究其内在的规律。 其次，过去某些被认可的随机事件，从分形理论的角度看并不是真正随机的，比如布朗运动、股价的波动以及传染病的流行传播等。 分形理论让我们对这些问题有了更准确的认识。 再次是从分形理论中衍生出的分数维这一概念，增进了人们对世界的认识方式，为自然界的复杂形态提供了一个新的尺度。 分形论中的自相似概念，最初指形态或结构的自相似性。 也就是说，在形态或结构上具有自相似性的几何对象称为分形。 如果一个对象是分形的或自相似的，进行合理的放大后，其整体的形状是相似的。 由于在自然界、社会和思维领域广泛存在着分形现象，这引起了分形研究的飞速发展。 自相似是分形的一个重要特征，对于时间序列，它表示在不同的时间尺度下具有相同的统计特性。 对于网络自相似的研究始于 1987 年， Wilson 等人开始使用一种精密的网络监测设备，对Bellcore Morris R/D 中心（MRE）DE若干个以太网中的业务流进行了深入研究。 其后，在 1989 年更将该设备的时间分辨率由100us提高到20us，并在随后的三年中进行了更为系统的研究分析。 他们对所得到的数百万个实际网络传输的数据包进行了统计分析。 结果表明，LAN 业务的统计特性是基于泊松或伯努利过程的传统业务流模型所无法描述的。 1994 年，W 等人发表文章《On the SelfSimilar Nature of Ethernet Traffic》[17] ，提出这种特性更适于采用自相似模型来描述，这也是第一次提出用自相似模型理论来度量以太网流量。 自从Leland对 Bellcore的局域网的测试与分析结果发表后，又有许多针对其他实际运行网络的测量研究成果。 较有代表性的有：Erramilli和Willinger等基于ISDN、以太网及VBR 视频业务的观测数据[18] ；（。