间隔值草图:融合数据包间隔的多维度大流检测草图算法OA

在网络通信、网络流量管理等领域,快速、准确地识别大流对流量拥塞控制、恶意流量监测等任务具有重要意义。然而,现实网络环境中的数据流传输速率极高,使得大流检测变得异常复杂和具有挑战性。现有大多数大流检测方法主要依赖单一维度的统计数据,通常仅基于流中数据包的估计值进行流量统计与分析。这种方式的局限性在于其忽略了其他潜在维度的关键信息,如数据包间隔的分布特性,这些信息在准确识别大流时可能起到关键作用。针对上述问题,提出一种名为间隔值草图的大流检测算法。该算法通过引入流的估计值大小和数据包间隔分布特性这2个维度的流量特征,优化大流的保护与小流的替换策略。具体地,间隔值草图通过结合数据包间隔特性,有效区分大流与小流,从而在低内存条件下显著提升检测性能。为验证间隔值草图的准确性和有效性,采用CAIDA和MAWI两个真实网络流量数据集进行分析。实验结果表明,间隔值草图在多种内存设置和流量分布下均表现出显著优势,与现有方法相比,间隔值草图能够在内存资源受限的情况下保持较高的检测精度,F1值最高可达到现有方法的2.4倍。