预答辩公告

学位论文简介

随着计算机技术的快速发展，计算机网络也随之大规模的飞速发展。在大规模网络中，网络的性能状况越来越被引起重视，如果对网络进行全网测量来获得网络性能状态，一方面会给网络带来额外的负担，影响本身的网络环境，另外一方面，对大规模网络进行全网测量消耗的时间会很长，使得很难快速掌握全网状况。基于稀疏表征的填充技术利用网络本身有的冗余性，使得仅仅需要通过测量部分数据，就能推断出全网数据。本文基于稀疏表征技术，来解决通过少部分已知数据快速获得全网数据的问题，主要的研究成果为：

1、基于GPU的网络管理数据的并行矩阵填充方法

在端到端的网络中通常需要对路径进行主动探测，主动探测会使得开销随着网络节点数量的增加而成倍增加。矩阵填充技术，仅通过测量一小部分路径来预测所有节点对之间的端到端网络性能。 尽管矩阵填充技术十分有效，但用矩阵填充来恢复丢失的数据时，往往恢复精度不高而且恢复时间长。为了解决这些问题，提出基于GPU的并行矩阵填充方法MC-GPU，利用GPU来实现并行矩阵分解，以实现高速和高精度的矩阵填充，从而获得全网数据。

2、基于GPU的网络管理数据的并行张量填充方法

张量填充利用多维度的数据信息，从而能够更准确的恢复出缺失的数据。然后，由于维度的增多，使得数据的计算复开销增大，这在大量数据的存在下阻止了常规张量填充算法在实际中的应用。提出了基于GPU加速的并行张量填充方法（GPU-TC），用于准确，快速地恢复丢失的数据。

3、基于局部敏感哈希的张量填充方法

张量填充可以用于恢复丢失的数据，这对于许多数据不完整的数据应用程序都是有用的。为了推断丢失的数据，现有的张量填充算法通常假定张量数据具有全局低秩结构，并通过全局优化应用单个模型来拟合整体观测数据。但是，数据之间往往存在不同的相关级别，因此某些子张量的秩甚至可能比大张量的秩更低。将单个模型拟合到所有数据将损害数据恢复的精度。为了提高丢失数据恢复的准确性，我们提出局部张量填充方法（Local-TC），从子张量中恢复数据，由于每个子张量包含相关性更高的数据，所以恢复精度更高。

4、基于负载均衡的局部并行子张量填充算法

针对局部子张量，每个子张量都能够单独的进行各自的计算，可以进行并行计算。但是当张量被分割成一个个小的局部子张量之后，现有算法往往没有考虑计算的负载均衡问题，使得并行计算不能最有效的进行。为了提高缺失数据的的恢复准确性，以及计算时间，我们提出了一种新的基于负载均衡的并行局部张量填充算法Local-TCP。算法Local-TCP无论在精确度还是在计算时间上都有所提高。

主要学术成果

1. KunXie, Yuxiang Chen, Xin Wang, Gaogang Xie,Jiannong Cao, Jigang Wen, Accurate and Fast Recovery of Network MonitoringData: A GPU Accelerated Matrix Completion, IEEE/ACM Transactions on Networking(TON), 2020, 28(3):958 - 971, (CCF A）

2. KunXie, Yuxiang Chen, Xin Wang, Gaogang Xie,Jiannong Cao, Jigang Wen, Guangming Yang, Jiaqi Sun, Accurate and Fast Recoveryof Network Monitoring Data with GPU-Accelerated Tensor Completion, IEEE/ACMTransactions on Networking (TON), 2020, 28(4), 1601-1614.(CCF A）

3. KunXie, Yuxiang Chen, Xin Wang, Gaogang Xie,Jigang Wen,Dafang Zhang, Local Tensor Completion Based on Locality Sensitive Hashing, ICDE 2018(CCF A)

4. KunXie, Xiangge Wang, Xin Wang,Yuxiang Chen,Gaogang Xie, Yudian Ouyang, Jigang Wen, Jiannong Cao, Dafang Zhang, AccurateRecovery of Missing Network Measurement Data With Localized Tensor Completion,IEEE/ACM Transactions on Networking (TON), 2019, 27(6):2222-2235（CCF A）

5. Gaogang Xie, Kun Xie,Jun Huang, Xin Wang, Yuxiang Chen, Jigang Wen, Fast Low-Rank MatrixApproximation with Locality Sensitive Hashing for Quick Anomaly Detection,INFOCOM 2017 (CCF A)

6. Huibing Zhou, Dafang Zhang, KunXie, Yuxiang Chen, Robust Spatio-temporal Tensor Recovery for Internet Traffic Data, ISPA 2016（CCF C）

7. Huibing Zhou, Dafang Zhang, KunXie, Yuxiang Chen, Spatio-Temporal Tensor Completion for Imputing Missing Internet Traffic Data, IPCCC 2015(CCF C)