本公开涉及分布式系统领域,且更为具体地,涉及一种分布式系统流量仿真方法和装置。
背景技术:
1、分布式系统是由多个相互协作的计算机节点组成的系统,它们可以通过网络通信来实现共同的目标。分布式系统流量仿真是指利用数学模型和计算机技术来模拟分布式系统中的网络流量,以便于分析、评估和优化系统的性能、可靠性和安全性。
2、现有的仿真方案中,对于网络流量检测的实现存在一些问题,例如:一是对分布式系统中各个节点的网络流量特征提取不够准确和有效,导致仿真结果与实际情况有较大偏差;二是对分布式系统中各个节点之间的网络流量关联模式缺乏深入的理解和建模,导致仿真结果不能反映出网络流量的复杂性和动态性。
3、因此,期待一种优化的分布式系统流量仿真方案。
技术实现思路
1、有鉴于此,本公开提出了一种分布式系统流量仿真方法和装置,其可以提高系统的效率和质量。
2、根据本公开的一方面,提供了一种分布式系统流量仿真方法,其包括:
3、获取由网络监控工具采集的分布式系统中各个节点在预定时间段内多个预定时间点的tcp流大小值;
4、将所述各个节点在预定时间段内多个预定时间点的tcp流大小值分别按照时间维度排列为输入向量以得到节点tcp流时序输入向量的序列;
5、对所述节点tcp流时序输入向量的序列进行时序分析以得到节点间tcp流关联特征矩阵;
6、提取待验证网络节点的节点tcp流时序特征向量与所述节点间tcp流关联特征矩阵之间的关联特征以得到校验节点tcp流时序特征向量;以及
7、基于所述校验节点tcp流时序特征向量,确定所述待验证网络节点的网络流量是否正常。
8、根据本公开的另一方面,提供了一种分布式系统流量仿真装置,其包括:
9、数据获取模块,用于获取由网络监控工具采集的分布式系统中各个节点在预定时间段内多个预定时间点的tcp流大小值;
10、向量化模块,用于将所述各个节点在预定时间段内多个预定时间点的tcp流大小值分别按照时间维度排列为输入向量以得到节点tcp流时序输入向量的序列;
11、时序分析模块,用于对所述节点tcp流时序输入向量的序列进行时序分析以得到节点间tcp流关联特征矩阵;
12、关联特征提取模块,用于提取待验证网络节点的节点tcp流时序特征向量与所述节点间tcp流关联特征矩阵之间的关联特征以得到校验节点tcp流时序特征向量;以及
13、网络流量验证模块,用于基于所述校验节点tcp流时序特征向量,确定所述待验证网络节点的网络流量是否正常。
14、根据本公开的实施例,其首先获取由网络监控工具采集的分布式系统中各个节点在预定时间段内多个预定时间点的tcp流大小值,接着,将所述各个节点在预定时间段内多个预定时间点的tcp流大小值分别按照时间维度排列为输入向量以得到节点tcp流时序输入向量的序列,然后,对所述节点tcp流时序输入向量的序列进行时序分析以得到节点间tcp流关联特征矩阵,接着,提取待验证网络节点的节点tcp流时序特征向量与所述节点间tcp流关联特征矩阵之间的关联特征以得到校验节点tcp流时序特征向量,最后,基于所述校验节点tcp流时序特征向量,确定所述待验证网络节点的网络流量是否正常。这样,可以提高系统的效率和质量。
15、根据下面参考附图对示例性实施例的详细说明,本公开的其它特征及方面将变得清楚。
1.一种分布式系统流量仿真方法,其特征在于,包括:
2.根据权利要求1所述的分布式系统流量仿真方法,其特征在于,对所述节点tcp流时序输入向量的序列进行时序分析以得到节点间tcp流关联特征矩阵,包括:
3.根据权利要求2所述的分布式系统流量仿真方法,其特征在于,所述基于卷积神经网络模型的节点间tcp流关联模式特征提取器包括多个卷积层、激活函数、池化层和全连接层。
4.根据权利要求3所述的分布式系统流量仿真方法,其特征在于,提取待验证网络节点的节点tcp流时序特征向量与所述节点间tcp流关联特征矩阵之间的关联特征以得到校验节点tcp流时序特征向量,包括:
5.根据权利要求4所述的分布式系统流量仿真方法,其特征在于,基于所述校验节点tcp流时序特征向量,确定所述待验证网络节点的网络流量是否正常,包括:
6.根据权利要求5所述的分布式系统流量仿真方法,其特征在于,还包括训练步骤:对所述基于一维卷积层的时序特征提取器、所述基于卷积神经网络模型的节点间tcp流关联模式特征提取器和所述分类器进行训练;
7.一种分布式系统流量仿真装置,其特征在于,包括:
8.根据权利要求7所述的分布式系统流量仿真装置,其特征在于,所述时序分析模块,包括:
9.根据权利要求8所述的分布式系统流量仿真装置,其特征在于,所述基于卷积神经网络模型的节点间tcp流关联模式特征提取器包括多个卷积层、激活函数、池化层和全连接层。
10.根据权利要求9所述的分布式系统流量仿真装置,其特征在于,所述关联特征提取模块,包括: