（通信与信息系统专业论文）网络层析成像若干关键技术研究.pdf

摘要 摘要 随着互联网的飞速发展，网络的服务和网络的架构也在发生深刻变化，要成 功设计、控制和管理网络，就需要了解和掌握网络的内部特性( 包括各种网络特征 参数和拓扑结构) 。如何在日益复杂的互联网网络环境中实时、精确测量网络性能 已成为国内外科学界和工业界共同关注的前沿科学问题之一，该问题是网络行为 学的基本研究内容，也是网络优化设计、异常检测与分析、网络监测与评估等工 作的基础。传统的网络测量方法需要通过网络节点间的协作来求解，但是随着网 络朝着分布化、非协作、异构化管理和基于边缘控制的方向演变，我们发现传统 网络测量方法不能完全满足各种应用对网络测量的要求，针对某些特定情况，我 们还需要研究能够不依赖网络中间节点协作的网络测量方法。 网络层析成像将医学和地震学等领域成功应用的层析成像理论和方法应用 于通信网络的测量问题，能够在没有中间节点协作的条件下，将网络测量问题转 化为反问题的求解，估计得到大尺度网络内部的各种性能统计信息，是目前备受 国际学术界关注的网络测量新技术之一。本文系统地回顾了网络层析成像的起源 与各个阶段所取得的重要成果，系统地对网络层析方法进行了分类，指出了在当 前网络环境下进行网络层析成像所面临的一些主要问题：从网络层析成像解的稳 定性、唯一性、求解实时性和非线性网络层析成像问题出发，针对网络层析成像 中所面临的几个实际问题进行了深入研究，在以下几个方面取得了一些有价值的 研究成果： 1 网络链路时延估计的层析成像方法研究 提出了一种基于递归多感知器的网络链路延迟追踪算法，该算法能够在没有 任何先验信息条件下追踪非平稳网络链路平均延迟的时变行为，估计链路延迟的 概率密度分布，克服了以往方法对网络链路先验模型的依赖，很大程度提高了解 的精度和求解的稳定性、实时性。 2 网络链路丢包率估计的层析成像方法研究 提出了基于包群的单播链路丢包率估计层析成像方法，在根节点一次性向所 有叶节点发送探测包群，包群中相邻节点或相近节点可以自由组合成包对、三包 组、四包组等，获得路径的丢包率和条件丢包率，构成超定方程组；为了精度和 摘要 计算复杂度考虑，利用基于奇异值分解的广义逆方法求解超定系统方程得到最后 链路的丢包率。该方法与现有的三包组方法相比，可以在探测包数量相同的情况 下，通过自由组合，构成包含更多方程的超定方程组，提高了解的精度和稳定性。 3 大尺度网络流量矩阵估计方法研究 提出了一种基于递归多感知器大尺度网络流量矩阵的追踪算法，首先引入了 黑盒子模型对流量矩阵估计问题进行无先验建模；其次，利用递归神经网络对模 型进行求解；最后得到整个网络流量矩阵的追踪算法。该方法克服了对先验模型 的依赖，提高了估计精度、稳定性和实时性，还便于采用并行算法或网络分布式 算法进一步提高求解的实时性。 4 网络拓扑结构估计方法研究 提出了一种快速的网络拓扑结构的分层聚类估计算法，通过引入了基于高斯 混合模型的递归算法，改进了网络拓扑结构估计中相似性量度聚类过程，可以在 不降低估计精度的前提下，提高了网络拓扑结构估计的实时性。 5 网络流量分类方法研究 提出了一种基于混合高斯的网络流量半监督分类方法。与有监督分类方法相 比，半监督方法只需要利用少部分的标识数据( 大约1 0 ) 进行分类，由于标识的 数据获得经常是困难的、昂贵的或者花费大量的时间，半监督方法非常适合具体 的应用，具有更好的实时性；与无监督分类方法相比，由于使用标识数据进行聚 类团的类别确定，具有更高的分类精度。同时，分析了影响半监督分类方法性能 的几大因素，优化了半监督分类方法的参数配置，进一步提高了半监督分类方法 的分类性能。 关键词：网络行为学，网络层析成像，递归神经网络，高斯混合模型，半监督分 类 i i a b s t r a c t w i t ht h er a p i dd e v d o p m e n to ft h ei n t e m c t ，n e t w o r ks e r v i c e sa n da r c h i t e c t u r ea r e a l s ou n d e r g o i n gp r o f o u n dc h a n g e s t od e s i g n , c o n t r o la n dm a n a g et h en e t w o r k s u c c e s s f u l l y , w eh a v et ou n d e r s t a n da n dg r a s pi t si n t e r n a lc h a r a c t e r i s t i c s ( i n c l u d i n ga l l k i n d so fn e t w o r kp a r a m e t e r sa n dt o p o l o g y ) h o wt oa c c u r a t ea n dt i m e l ye s t i m a t e n e t w o r kp e r f o r m a n c ec h a r a c t e r i s t i c si nm o r ea n dm o r ec o m p l e xi n t e m e te n v i r o n m e n t h a v eb e c o m eo n eo ft h ef o r e f r o n ts c i e n t i f i cp r o b l e m sw h i c ha r ef o c i l s e db yt h e a c a d e m i cc o m m u n i t ya n di n d u s t r yc o m m u n i t ya l lo v e rt h ew o r l d ；m e a n t i m e ，t h i s p r o b l e mi sn o to n l yt h eb a s i cr e s e a r c hc o n t e n to fn e t w o r kb e h a v i o r , b u ta l s ot h e f o u n d a t i o no fn e t w o r ko p t i m i z ed e s i g n ，a n o m a l yd e t e c t i o na n da n a l y s i s ，n e t w o r k m o n i t o r i n ga n de v a l u a t i o na n ds oo n i np a s t , t h et r a d i t i o n a li n t e m e tm e a s u r em e t h o d u s u a l l yr e s o l v e ss u c hap r o b l e mt h r o u g ht h ec o o p e r a t i o no fn o d e ，h o w e v e r ，a si n t e r n e t t o w a r dt h ee v o l u t i o no fd i s t r i b u t i v e ，n oc o r p o r a t i v e ，h e t e r o g e n e o u sm a n a g e m e n ta n d e d g ec o n t r o l ，t h e t r a d i t i o n a li n t e r a c tm e a s u r em e t h o dd on o tm e e tf u l l yt h e r e q u i r e m e n t so fv a r i o u sa p p l i c a t i o n so nn e t w o r km e a s u r e n l e n t ，f o rc e r t a i ns p e c i f i c c i r c u m s t a n c e s ，w es t i l ln e e dt os t u d yt h en e t w o r km e a s u r e m e n tm e t h o dw i t h o u tt h e c o o p e r a t i o no f i n d i v i d u a ls e r v e r sa n dr o u t e r s b ya p p l y i n gt o m o g r a p h yt h e o r yw h i c hi ss u c c e s s f u l l ya p p l i e di nf i e l d ss u c ha s m e d i c i n ea n ds e i s m o l o g yt ot h ep r o b l e m so fn e t w o r km e a s u r e m e n ti nc o m m u n i c a t i o n n e t w o r k , n e t w o r kt o m o g r a p h y c a l li n f e rt h ei n t e r n a lp e r f o r m a n c ew i t h o u tt h e c o o p e r a t i o no fi n t e r n a ln o d ea n dt r a n s f o r mn e t w o r km e a s u r e m e n tp r o b l e mi n t og e t t i n g t h es o l u t i o no fi n v e r s i o np r o b l e mi l ll a r g e - s c a l en e t w o r k s ，w h i c hh a sb e c o m eo n eo ft h e f o c u s e dn e wt e c h n o l o g i e s i nt h et h e s i s ，w er e v i e ws y s t e m a t i c a l l yt h ep a s tp r o g r e s s e s a n di m p o r t a n ta c h i e v e m e n t sa td i f f e r e n tp h a s e si nn e t w o r kt o m o g r a p h yr e s e a r c ha r e a t h ec l a s s i f i c a t i o no fn e t w o r k t o m o g r a p h ym e t h o d o l o g i e s a r es u m m a r i z e d s y s t e m a t i c a l l y w ea l s op o i n to u ts o m ek e yi s s u e sf o rl a r g es c a l en e t w o r kt o m o g r a p h y t h i st h e s i ss t u d yp r o f o u n d l ys o m ep r a c t i c a li s s u e so fn e t w o r kt o m o g r a p h yf r o m n o n l i n e a r , s t a b l e ，u n i q u ea n dr e a l t i m es o l u t i o np o i n to fv i e wa n d r e s u l t si nf o l l o w i n g i r m o v a t i v ea c h i e v e m e n t s ： i l l a b s t r a c t 1 r e s e a r c ho nn e t w o r kt o m o g r a p h ym e t h o df o rl i n kd e l a ye s t i m a t i o n t l l i st h e s i sp r o p o s ean o v e ll i n kd e l a yt r a c k i n ga l g o r i t h mb a s e do nt h er e c u r r e n t m u l t i l a y e rp e r c e p t r o n ( r m l p ) n e t w o r k ，t h i sa l g o r i t h m i s c a p a b l eo ft r a c k i n g t i m e - v a r y i n ga v e r a g ed e l a yb e h a v i o ri nn o n - s t a t i o n a r yn e t w o r ka n de s t i m a t i n gt h e p r o b a b i l i t yd e n s i t y d i s t r i b u t i o no fi n t e r n a ld e l a yc h a r a c t e r i s t i c sw i t h o u ta n yp r i o r i n f o r m a t i o n c o m p a r ew i t he x i s t i n gd e l a yt o m o g r a p h y , r m l pm e t h o dd o n td e p e n d o nt h eq u e u ed e l a yp r i o rm o d e la n di m p r o v et h es t a b i l i t y , r e a l - t i m eo fs o l u t i o n , o b v i o u s l y 2 r e s e a r c ho nn e t w o r kt o m o g r a p h ym e t h o df o rl i n kl o s se s t i m a t i o n n i st h e s i sp r o p o s eam e t h o do fe s t i m a t i n gt h ep a c k e tl o s sr a t eo nu n i c a s t n e t w o r kw h i c hi sb a s e do nm u l t i - p a c k e ts t r i p ep r o b e 皿l em u l t i p a c k e ts t r i p ep r o b ei s f i r s t l ys e n tt oa l lr e c e i v e r st oc o v e ra l lp a t h si nt h es a m et i m e t h e n , m u l t i - p a c k e ts t r i p e p r o b et ot h ea d j a c e n tn o d e so r s i m i l a rn o d e sa r ef r e et of o r mt w o - p a c k e ts t r i p e ， t h r e e - p a c k e ts t r i p eo rf o u r - p a c k e ts t r i p ea n dw ec a l c u l a t ea b s o l u t ep a c k e tl o s sr a t ea n d c o n d i t i o n a lp a c k e tl o s sr a t eo ft h ep a t ht oc o n s t r u c ta no v e r - d e t e r m i n e de q u a t i o n s i n o r d e rt oh a v i n gb e t t e ra c c u r a c ya n dr e d u c i n gc o m p u t a t i o n a lc o m p l e x i t y , w ec h o o s e s i n g u l a rv a l u ed e c o m p o s i t i o n ( s v d ) t oc a l c u l a t et h em o o r e p e n r o s eg e n e r a l i z e di n v e r s e m a t r i xo ft h el a r g e s c a l eo v e r - d e t e r m i n e ds y s t e me q u a t i o n s ，a n df i n a l l yg e tt h el i n kl o s s r a t ee s t i m a t i o n c o m p a r e 、析n le x i s t i n gt h r e e - p a c k e ts t r i p em e t h o d , o u rm e t h o dc a n c o n s t r u c to v e r - d e t e r m i n e de q u a t i o n sw i t hm o r ee q u a t i o n su n d e rt h es a n l en u m b e ro f p r o b ep a c k e tc i r c u m s t a n c e s ，a n dt h a to b t a i nm o r es t a b i l i t y , f l e x i b i l i t ya n da c c u r a t e e s t i m a t i o n 3 r e s e a r c ho nl a r g es c a l et r a f f i cm a t r i xe s t i m a t i o nm e t h o d t l l i st h e s i sp r o p o s ean o v e lm e t h o do fl a r g es c a l et r a f f i cm a t r i xe s t i m a t i o nb a s e d o nr e c u r r e n tm u l t i l a y e rp e r c e p t r o n ( r m l p ) n e t w o r k f i r s to fa l lw ei n t r o d u c et h e b l a c k - b o xm o d e l st om o d e lt r a c k i n gt r a f f i cm a t r i xw i t h o u ta n yp r i o ri n f o r m a t i o n , t h e n w eu s er m l pt or e s o l v et h es o l u t i o no fb l a c k - b o xm o d e l s ，f i n a l l y , w eg e tt h ee n t i r e b a s e d r m l pt r a f f i cm a t r i xt r a c k i n ga l g o r i t h m c o m p a r ew i t he x i s t i n gd e l a y t o m o g r a p h y , r m l pm e t h o dd o n td e p e n do nt h et r a f f i cp r i o rm o d e la n di m p r o v et h e a c c u r a c yo fe s t i m a t e s ，s t a b i l i t ya n dr e a l - t i m ed e m a n do b v i o u s l y m e a n w h i l e ，b yu s i n g p a r a l l e la l g o r i t h m sa n dn e t w o r kd i s t r i b u t e da l g o r i t h m s ，w ew i l lf u r t h e ri m p r o v et h e r e a l - t i m eo fs o l u t i o n a b s t r a c t 4 r e s e a r c ho nn e t w o r kt o p o l o g yd i s c o v e r y b yi n t r o d u c i n gr e c u r s i v eu n s u p e r v i s e dl e a r n i n go fg a u s s i a nm i x t u r em o d e l s ( g m m ) t ot o p o l o g yd i s c o v e r ya p p r o a c h , t h i st h e s i sp r o p o s e daf a s th i e r a r c h i c a l t o p o l o g ye s t i m a t i o n ( f h t e ) a p p r o a c h b yi m p r o v i n gs i m i l a r i t ym e t r i c sc l u s t e r i n g p r o c e s si nn e t w o r kt o p o l o g ye s t i m a t i o n ，0 1 1 1 p r o p o s e dm e t h o de v i d e n t l yr e d u c i n gt h e c o m p u t a t i o nt i m eu n d e rt h es a m ee s t i m a t i o na c c u r a c yc i r c u m s t a n c e sc o m p a r et ot h e h i e r a r c h i c a lt o p o l o g ye s t i m a t i o n ( h t e ) a p p r o a c h 5 r e s e a r c ho nn e t w o r kt r a f f i cc l a s s i f i c a t i o n t h i st h e s i s p r o p o s e ag m m - b a s e ds e m i - s u p e r v i s e dc l a s s i f i c a t i o nm e t h o d c o m p a r ew i t hs u p e r v i s e dc l a s s i f i c a t i o nm e t h o d ，0 1 1 1 a p p r o a c ht a k e sa d v a n t a g eo fo n l y af e wl a b e l e dd a t a ( a b o u t1o ) t oi d e n t i f yd i f f e r e n ti n t e r n e ta p p l i c a t i o n s s i n c e o b t a i n i n gt h el a b e l e di n s t a n c e si so f t e nd i f f i c u l t ，e x p e n s i v e , o rt i m ec o n s u m i n g , t h e a p p r o a c hi sp a r t i c u l a r l yw e l ls u i t ef o rp r a c t i c a la p p l i c a t i o na n di sm o r er e a l t i m e s e m i - s u p e r v i s e dc l a s s i f i c a t i o nm e t h o do b t a i nm o r ea c c u r a t ec l a s s i f i c a t i o nc o m p a r et o u n s u p e r v i s e dc l a s s i f i c a t i o nm e t h o ds i n c ei tu s eas m a l la m o u n to fl a b e l e di n s t a n c e st o h e l pi l si d e n t i f yw h i c hg a u s s i a nb e l o n g st os o m ec l a s s m e a n w h i l e , b ya n a l y s i so f s e m i - s u p e r v i s e dc l a s s i f i c a t i o nm e t h o df a c t o r sa n dt h e i ri m p a c t o nc l a s s i f i c a t i o n p e r f o r m a n c e ，a l lo p t i m u mc o n f i g u r a t i o n i sa c h i e v e df o rt h eg m m - b a s e d s e m i s u p e r v i s e d c l a s s i f i c a t i o ns y s t e m ，w h i c hf u r t h e ri m p r o v et h ec l a s s i f i c a t i o n p e r f o r m a n c eo fo u ra p p r o a c h k e yw o r d s ： n e t w o r kb e h a v i o r , n e t w o r kt o m o g r a p h y , r e c u r r e n tm u l t i l a y e r p e r c e p t r o n ( r m l p ) ， g a u s s i a nm i x t u r em o d e l ， s e m i - s u p e r v i s e d c l a s s i f i c a t i o n v 图形目录 图形目录 图1 1 网络的逻辑拓扑结构4 图1 2 单播探测包机制示意图一5 图l 一3 网络拓扑结构估计【6 】2 0 图2 1 树状网络拓扑结构3 l 图2 2 非平稳网络链路平均延迟与延迟p m f 密度函数时变特性3 2 图2 3r m l p 网络结构3 4 图2 - 4n s 2 仿真网络拓扑结构图3 8 图2 5 用于延迟p m f 和平均延迟估计的r m l p 网络训练曲线3 9 图2 - 6r m l p 网络用于非平稳网络延迟p m f 估计3 9 图2 7r m l p 网络用于非平稳网络平均延迟估计4 0 图3 1 二叉树网络模型4 4 图3 2 三叉树网络模型4 6 图3 3n s 2 仿真网络拓扑结构图5 0 图3 - 4 丢包率估计误差对比图5 0 图3 5 不同链路丢包率估计对比图5 l 图3 - 6 不同链路丢包率估计误差对比图5 1 图3 7 探测包总数对比图5 2 图4 1 简单星型拓扑图5 4 图4 怠r m l p 飘缀结桷5 6 图禾3a b i l e n e 主干网络6 0 图4 4 训练误差曲线( 星型拓扑分解方法) 6 l 图4 5 真实的o d 流与估计的o d 流对比图( 星型拓扑分解方法) 6 2 图4 - 6 真实的o d 流与估计的o d 流对比图( 星型拓扑分解方法) 6 2 图4 7r m l p 方法( 星型拓扑分解方法) 6 3 图4 _ 8 重力模型( 星型拓扑分解方法) 6 3 图4 _ 9 真实的o d 流与估计的o d 流对l 匕图( o d 流对分解方法) 6 4 图4 - 1 0 真实的o d 流与估计的o d 流对比图( 0 d 流对分解方法) 6 4 x 图形目录 图4 1 1r m l p 方法( o d 流对分解方法) 6 5 图4 1 2 重力模型( o d 流对分解方法) 6 5 图5 1 网络拓扑结构估计示意图6 8 图5 2 分层聚类示意图7 l 图5 3 高斯混合模型7 3 图5 - 4 仿真网络拓扑7 7 图5 5 拓扑结构估计算法估计结果( 不同探测包数) 7 8 图5 - 6 拓扑结构估计算法估计结果( 不同比值因子) 7 9 图5 7 拓扑结构估计算法估计结果( 不同链路延迟) 7 9 图5 8h t e 和f h t e 算法时间复杂度比较8 0 图6 1 标识数据和未标识数据示意图8 3 图6 2 高斯混合模型8 5 图6 3 数据收集：监测点在局域网络的网关上，捕获网络进出的流量8 7 图6 - 4 基于g m m 半监督分类系统的框架8 8 图6 5 用于有监督分类的嵌入式特征选择算法框架9 0 图6 - 6 用标识数据进行类的识别9 2 图6 7 采集数据的时间和相应的网络状况，曲线表示瞬时带宽，9 3 图6 8 标识数据数量对分类性能的影响9 5 x i 表格目录 表格目录 表1 1 链路级参数估计方法分类8 表l 一2o d 流估计方法分类1 3 表1 3 网络拓扑结构估计方法分类1 8 表1 - 4 几类层析成像方法对比2 3 表1 5 流量分类方法分类2 4 表2 1r m l p 、s m c 和e m 延迟p m f 估计性能比较4 0 表2 2r m l p 、s m c 和e m 平均延迟估计性能比较4 1 表6 1 互联网应用类型与对应的典型应用8 4 表6 2 举例说明用于描述对象的特征，作为分类器的输入8 9 表6 3 每个数据库的详细信息9 4 表6 - 4f s s c e m 算法对不同数库进行特征选择的结果9 4 表6 5g m m 模型不同阶数对分类结果的影响9 4 表6 6 每个数据库相对应的最优化g m m 模型阶数9 5 表6 7g m m 半监督分类系统的c m 矩阵9 6 x i i 简略字表 a i c 龇 b d t b 盯t b i c c b r c e m c g f c m c t d b t d d o s d e k f d l t d t e k f e m f h t e f i f o 简略字表 a k a i k ei n f o r m a t i o nc r i t e r i o n a g g l o m e r a t i v el i k e l i h o o dt r e e b i n a r yd e l a y - v a r i a n c et r e e b a c k p r o p a g a t i o nt h r o u g h t i m e b a y e s i a ni n f e r e n c ec r i t e r i o n c o n s t a n tb i tr a t e a k a i k e 信息策略 凝聚似然树 二值延迟协方差树 通过时间的反向传播 贝叶斯估计策略 固定比特速率 子成分方法的最大期望 c u m u l a n tg e n e r a t i n gf u n c t i o n s累积量生成函数 c o n f u s i o nm a t r i x混淆矩阵 c o m p u t e r i s e dt o m o g r a p h y 计算机层析成像 确定性二叉树分类 d i s t r i b u t e dd e n i a l o f - s e r v i c e分布式拒绝服务攻击 d e c o u p l e d e x t e n d e dk a l m a nf i l t e r 解耦卡尔曼滤波器 d e t e r m i n i s t i cl o s st r e e d e l a y - v a r i a n c et r e e e x t e n d e dk a l m a nf i l t e r 确定性丢包树 延迟协方差树 扩展卡尔曼滤波器 e x p e c t a t i o nm a x i m i z a t i o n 最大期望 f a s th i e r a r c h i c a lt o p o l o g ye s t i m a t i o n快速分层拓扑结构估计 f i r s t i nf i r s t o u t x i i i 先进先出 简略字表 f s s c e m g m m h c s h t e i c i i d i p f p l d a l p m 队p m c m c m d l m i n t m l e m m p l e m m l m p l e m p u n d e k f n n n s e o d f e a t u r e s u b s e ts e l e c t i o n 基于子成分方法的最大期望 c o m p o n e n t w i s ee mc l u s t e r i n g 聚类的特征选择 g a u s s i a nm i x t u r em o d e l高斯混合模型 h i 曲l yc o n n e c t e ds u b g r a p h s 高连通子图 h i e r 鲫c l l i c a lt o p o l o g ye s t i m a t i o n分层拓扑结构估计 独立连接 i n d e p e n d e n ta n di d e n t i c a l l yd i s t r i b u t e d 独立同分布 i t e r a t i v ep r o p o r t i o n a lf i t t i n gp r o c e d u r e迭代比例匹配过程 l i n e a rd i s c r i m i n a n ta n a l y s i s线性判别分析 l i n e a rp r o g r a m m i n g线性规划 m a x i m u map o s t e r i o r i最大化后验 m a r k o vc h m nm o n t ec a r l o马尔可夫蒙特卡洛 m i n i m u m d e s c r i p t i o nl e n g t h 最小描述长度 m e t r i c i n d u c e dn e t w o r kt o p o l o g y引入量度的网络拓扑 m a x i m u ml i k e l i h o o de s t i m a t i o n最大似然估计 m u l t i s c a l em a x i m l 吼 p e n a l i z e d 多尺度最大惩罚似然估计 l i k e l i h o o de s t i m a t o r 77 、“7 、。7 m i n i m u mm e s s a g el e n g t h m a x i m u mp s e u d o e s t i m a t i o n 最小信息长度 l i k e l i h o o d 最大伪似然估计鬏灭仞似蕊伯丌 m a x i m u mp e n a l i z e dl i k e l i h o o dt r e e最大惩罚似然树 n o d e d e c o u p l e de k f 节点藕合扩展卡尔曼滤波器 n e a r e s tn e i g h b o r最近邻居 n o r m a l i z e ds q u a r e de r r o r归一化均方根误差 o r i g i n - d e s t i n a t i o n x i v 源目的对 简略字表 p c a p m f r e d r t r l r m l p p r i n d p a lc o m p o n e n t sa n a l y s i s p r o b a b i l i t ym a s sf u n c t i o n s r a n d o me a r l yd e t e c t i o n r e a l - t i m er e c u r r e n tl e a r n i n g r e c u r r e n tm u l t i l a y 甜p e r c e p t r o n r m s r er o o tm e a n s q u a r er a n g i n ge r r o r r m s e r n n s b e s f s s m c s v d t t l t m r o o to fm e a n s q u a r ee r r o r s e q u e n t i a lb a c k w a r de l i m i n a t i o n s e q u e n t i a lf o r w a r ds e l e c t i o n s e q u e n t i a lm o n t ec a r l o s i n g u l a rv a l u ed e c o m p o s i t i o n t i m e t o l i v e t r a f f i cm a t r i x 主成分分析 离散概率 随机早期检测 实时递归训练 递归多感知器网络 均方根相对误差 均方误差根 递归神经网络 序贯后向消除 序贯前向算法 序贯蒙特卡洛 奇异值分解 生存周期 流量矩阵 主要符号表 主要符号表 可测量的向量 待估计的参数向量 路由矩阵 测量误差 待估计的向量 路径丢包率的条件 概率 路径丢包率 节点集合 节点 量度 差集运算 逻辑树状网络拓扑 结构 节点集合， 链路集合 根节点( 或源节点) 叶节点的集合 节点v 的父节点集 合 节点对( f ，歹) 的最近 祖节点 x v i 节点1 ，的子节点集 合 节点，的子代叶节 点集合 量化宽度 量化数目 链路延迟的概率分 布 包对内包与包之间 相关系数 链路丢包率 可能树结构集合 行列式的值 集合的成员数目 矩阵转置 范函 取最小值 后代节点 共扼运算 求逆运算 t r a c e 矩阵的迹 q ( f ) 过程噪声协方差矩 阵 ) ， 小 m g k 吼 展 吼 哆 p ， l 17 a 一 f 1 荨 卜 m 、r 力 r ， y 9 彳 x 两 所 矿 坼 b 、 r y e 0 r 粥 砸 主要符号表 e )取期望值 a r gm a x , )取极大值运算 a r g m i n )取极小值运算 指示函数 前馈权值 反馈权值 导数矩阵 v 。h ，( f ) 第i 个导数向量 以f ) 坝f ) k ( f ) 以f ) 彳( f ) 片( f ) v 。h ，( f ) 正( c ) 系统权值 系统权值的估计值 卡尔曼增益 逼近误差协方差矩 阵 全局尺