| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 缩略词表 | 第13-15页 |
| 第一章 绪论 | 第15-20页 |
| 1.1 研究工作的背景与意义 | 第15-16页 |
| 1.2 国内外研究现状 | 第16-18页 |
| 1.2.1 流量矩阵传统测量方法研究现状 | 第16-17页 |
| 1.2.2 基于SDN的流量矩阵测量方法研究现状 | 第17-18页 |
| 1.3 本文的主要贡献 | 第18页 |
| 1.4 本论文的结构安排 | 第18-20页 |
| 第二章 相关技术介绍 | 第20-26页 |
| 2.1 流量矩阵测量技术介绍 | 第20-21页 |
| 2.2 SDN技术介绍 | 第21-24页 |
| 2.2.1 SDN架构 | 第21-22页 |
| 2.2.2 基于OpenFlow的SDN | 第22-24页 |
| 2.2.2.1 OpenFlow交换机 | 第22-24页 |
| 2.2.2.2 控制器 | 第24页 |
| 2.3 本章小结 | 第24-26页 |
| 第三章 SDN中基于随机搜索的观测矩阵设计 | 第26-51页 |
| 3.1 引言 | 第26-27页 |
| 3.2 测量的整体框架 | 第27-28页 |
| 3.3 问题描述 | 第28-30页 |
| 3.4 随机搜索算法 | 第30-37页 |
| 3.4.1 遗传算法 | 第30-34页 |
| 3.4.1.2 定义染色体结构 | 第30-31页 |
| 3.4.1.3 代价函数 | 第31页 |
| 3.4.1.4 初始化种群 | 第31页 |
| 3.4.1.5 选择配对染色体 | 第31-32页 |
| 3.4.1.6 交叉 | 第32-33页 |
| 3.4.1.7 变异 | 第33-34页 |
| 3.4.1.8 终止条件 | 第34页 |
| 3.4.2 粒子群算法 | 第34-37页 |
| 3.4.2.2 PSO算法中的记号说明 | 第35页 |
| 3.4.2.3 适应度函数 | 第35页 |
| 3.4.2.4 初始化粒子群 | 第35-36页 |
| 3.4.2.5 更新速度 | 第36页 |
| 3.4.2.6 更新位置 | 第36-37页 |
| 3.4.2.7 终止条件 | 第37页 |
| 3.5 仿真实验分析 | 第37-44页 |
| 3.5.1 仿真实验的设计与准备 | 第37-40页 |
| 3.5.2 测试结果与分析 | 第40-44页 |
| 3.5.2.1 GA与PSO算法的终止条件的正确性测试 | 第40-41页 |
| 3.5.2.2 GA算法的结果与分析 | 第41-43页 |
| 3.5.2.3 PSO算法的结果与分析 | 第43-44页 |
| 3.5.2.4 GA与PSO的时间对比分析 | 第44页 |
| 3.6 动态环境中的测量方法及仿真实验 | 第44-50页 |
| 3.6.1 降低对初始训练数据的依赖性方法及仿真实验 | 第45-46页 |
| 3.6.2 移除对初始训练数据的依赖性方法及仿真实验 | 第46-50页 |
| 3.7 本章小结 | 第50-51页 |
| 第四章 SDN中在线流量矩阵估计方法研究 | 第51-76页 |
| 4.1 引言 | 第51-52页 |
| 4.2 测量的整体量框架 | 第52-53页 |
| 4.3 问题描述 | 第53-54页 |
| 4.4 流量测量规则设计方法 | 第54-64页 |
| 4.4.1 最大负载规则优先解聚合-MLRF | 第54-57页 |
| 4.4.2 最大流优先测量-LFF | 第57-63页 |
| 4.4.3 MLRF与LFF的讨论分析 | 第63-64页 |
| 4.4.3.1 时间复杂度分析 | 第63-64页 |
| 4.4.3.2 对网络稳定性影响分析 | 第64页 |
| 4.5 仿真实验分析 | 第64-74页 |
| 4.5.1 仿真实验的设计与准备 | 第64-66页 |
| 4.5.2 测试结果与分析 | 第66-74页 |
| 4.5.2.1 LFF中寻找前k个最大流的正确性测试 | 第66-67页 |
| 4.5.2.2 与已有算法的性能对比 | 第67-72页 |
| 4.5.2.3 与其它估计方法的比较 | 第72-74页 |
| 4.6 本章小结 | 第74-76页 |
| 第五章 全文总结与展望 | 第76-79页 |
| 5.1 全文总结 | 第76-77页 |
| 5.2 未来工作展望 | 第77-79页 |
| 致谢 | 第79-80页 |
| 参考文献 | 第80-84页 |
| 个人简历及攻硕期间取得的研究成果 | 第84-85页 |
