基于聚类与贝叶斯分类器的网络节点分组算法及评价模型

doi:10.3969/j.issn.1000-0801.2013.02.009

电信科学 ›› 2013, Vol. 29 ›› Issue (2): 51-57.doi: 10.3969/j.issn.1000-0801.2013.02.009

基于聚类与贝叶斯分类器的网络节点分组算法及评价模型

翟健宏¹,李伟¹,葛瑞海¹,杨茹²

¹ 哈尔滨工业大学计算机网络与信息安全研究中心哈尔滨 150001
² 黑龙江工程学院计算机科学与技术系哈尔滨 150001

出版日期:2013-02-15 发布日期:2017-02-22
基金资助:
国家自然科学基金资助项目;国家重点基础研究发展计划（“973”计划）基金资助项目

Internet Hosts Grouping Algorithm Based on Clustering and Bayesian Classifier and Evaluation Model

Jianhong Zhai¹,Wei Li¹,Ruihai Ge¹,Ru Yang²

¹ Research Center of Computer Network and Information Security Technology，Harbin Institute of Technology，Harbin 150001，China
² Department of Computer Science and Technology，Heilongjiang Institute of Technology，Harbin 150001，China

Online:2013-02-15 Published:2017-02-22

摘要/Abstract

摘要：

多组群网络应用是目前比较流行的互联网服务模式之一，本文主要针对多组群网络应用的节点分组及评价方法进行研究探讨，设计了一种基于无监督聚类方法和贝叶斯分类器的高质量分组算法Clustyes，提出了基于“组耦合度”的可调多取向分组评价模型，该模型较好地将组内节点间往返时延、分组丢失率和跳数3个指标对组内通信的影响有机地量化融合。Clustyes算法在NS-3上进行了模拟，结果表明，使用该算法获得的分组具有组内节点通信性能好、稳定性高、物理距离近的优点。

关键词: 分组评价模型, 组耦合度, 聚类分析, 贝叶斯分类器

Abstract:

The multi-group network application is one of the popular network service models，internet hosts grouping method and the evaluation mode1 were focused on. A new internet hosts grouping algorithm ca11ed Clustyes was presented. Also，based on the concept of group coupling degree，an evaluation mode1 of hosts grouping performance was constructed. RTT，hops，and packet 1oss rate in network communication were considered in this evaluation mode1. The experiment was simulated on the NS-3，and the results show that the new grouping algorithm Clustyes can generate groups，in which the hosts can communicate quickly，stably，and closely in physica1 distance.

Key words: grouping evaluation mode1, group coupling degree, cluster analysis, Bayesian classifier

翟健宏,李伟,葛瑞海,杨茹. 基于聚类与贝叶斯分类器的网络节点分组算法及评价模型[J]. 电信科学, 2013, 29(2): 51-57.

Jianhong Zhai,Wei Li,Ruihai Ge,Ru Yang. Internet Hosts Grouping Algorithm Based on Clustering and Bayesian Classifier and Evaluation Model[J]. Telecommunications Science, 2013, 29(2): 51-57.

图/表 6

图1

表1

图2

表2

图3

表3

参考文献 13

1	Watts D ， Strogatz S . Co11ective dynamics of“sma11-world”networks. Nature. Nature， 1998（393）： 439～443
2	Pai V ， Kumar K ， Tamilmani K ， et al. Chainsaw：eliminating trees from overlay multicast. Lecture Notes in Computer Science， 2005（3640）： 127～140
3	Ratnasamy S ， Handley M ， Karp R . Topologica11y aware overlay construction and server selection. Proceedings of IEEE INFOCOM 2002， New York，USA 2002： 1191～1194
4	Zhang R ， Hu Y ， Lin X ， et al. A hierarchica1 approach to Internet distance prediction. Proceedings of IEEE ICDCS， Lisboa，Portuga1， 2006： 72～73
5	Wong B ， Slivkins A ， Sirer E G . Meridian：a 1ightweight network 1ocation service without virtua1 coordinates. Proceedings of ACM SIGCOMM 2005， Philadelphia，USA， 2005： 335～350
6	Wei S ， Mirkovic J ， Kisse1 E . Profiling and clustering internet hosts. Proceedings of the Internationa1 Conference on Data Mining， Hong Kong，China， 2006： 269～275
7	Chen Y ， Xiong Y ， Shi X ， et al. Pharos：a decentralized and hierarchica1 network coordinate system for internet distance prediction. Proceedings of GLOBECOM’07， Washington DC，USA， 2007： 421～426
8	Xing C ， Chen M . HNDP：a novel network distance prediction mechanism. Proceedings of the 27th IEEE Conference on Distributed Computing Systems， Toronto，Ontario，Canada， 2007
9	吴唯瑜，陈阳，邓北星等. 基于邻近原则的应用层多播实验研究. 计算机应用研究， 2008（4）： 1211～1213
10	Bindal R ， Cao P ， Chan W ， et al. Improving Traffic Locality in BitTorrent via Biased Neighbor Selection. Proceedings of IEEE ICDCS’06， Lisboa，Portuga1， 2006
11	Henderson T R ， Lacage M ， Riley G F ， et al. Network simulations with the NS-3 simulator. Proceedings of ACM SIGCOMM’08， Seattle，USA， 2008
12	Winick J ， Jamin S . Inet-3.0：Internet Topology Generator. Technical Report UM-CSE-TR-456-02， 2002
13	Zhou S ， Mondragon R J . The rich-club phenomenon in the internet. IEEE Communications Letters， 2004（8）： 178～184

算法	平均组耦合度
随机分组算法	0.094025
基于标杆的分组算法	0.112935
Clustyes分组算法	0.135918

算法	平均组耦合度
随机分组算法	0.252052
基于标杆的分组算法	0.287997
Clustyes分组算法	0.316276

算法	平均组耦合度
随机分组算法	0.373366
基于标杆的分组算法	0.401883
Clustyes分组算法	0.439886

[1]	刘子豪, 贾小军, 张素兰, 徐志玲, 张俊. 一种融合MeanShift聚类分析和卷积神经网络的Vibe++背景分割方法[J]. 电信科学, 2021, 37(3): 133-145.
[2]	张溶芳,许丹丹,王元光,潘思宇,李正茂. 机器学习在物联网虚假用户识别中的运用[J]. 电信科学, 2019, 35(7): 136-144.
[3]	江俊, 黄骅, 任条娟, 张登辉. 基于峰值密度聚类的电信业投诉热点话题检测方法[J]. 电信科学, 2019, 35(5): 97-103.
[4]	王炳鑫,侯岩,方红旺,陈雨泽,刘建. 面向“削峰填谷”的电力客户用电行为分析[J]. 电信科学, 2017, 33(5): 164-170.

基于聚类与贝叶斯分类器的网络节点分组算法及评价模型

Internet Hosts Grouping Algorithm Based on Clustering and Bayesian Classifier and Evaluation Model

在线阅读

PDF下载

可视化

被引次数

摘要/Abstract

引用本文

使用本文

图/表 6

参考文献 13

相关文章 4

Metrics

推荐阅读 0