学位论文简介

网络流量采集与分析是实现网络精细化管理的重要基础，能够为流量行为分析、异常检测、拥塞诊断和服务质量保障提供依据。随着网络传输速率不断提高，短时流量变化日益显著，网络管理对连续逐包信息和微秒级流量观测提出了更高要求。可编程交换机为在数据面直接开展流量采集与分析提供了条件，但其计算操作、片上存储和流水线资源受到严格限制，难以直接承载高开销测量与复杂分类模型。因此，本文围绕“高效数据面流量采集与分析”，从逐包信息压缩、关注流与全流微秒级测量以及网内流量分类四个方面展开研究，在有限资源下提高流量信息获取与利用的效率。

（1）针对连续逐包记录开销较高、采样难以保留完整包序的问题，提出了基于差异化编码与序列关联恢复的流量采集方法 MES。利用差值与弹性编码无损压缩到达时间戳，通过区间量化压缩包长，并结合多路延迟嵌入与神经网络改善包长恢复质量，在保留连续逐包信息的同时，降低存储与导出开销。

（2）针对关注流微秒级测量中连续时间槽记录量大、流量历史保存与导出成本较高的问题，提出了基于压缩感知与时序结构学习的细粒度测量方法。利用列稀疏感知矩阵生成紧凑观测，并结合测量一致性迭代与多路延迟嵌入恢复流量序列，实现包含空闲时段的连续流量历史压缩与重构。

（3）针对全流微秒级测量中逐流状态难以扩展、高频结果上报开销较大的问题，提出了基于共享时间草图与稀疏事件上报的测量方法 BurstMon。利用共享状态记录各流的时间槽统计，通过适配数据面操作的变化检测机制筛选显著事件，实现全流输入覆盖与选择性结果上报，在降低存储和通信开销的同时，及时捕获短时流量变化。

（4）针对复杂分类模型难以适配交换机资源预算、规则部署占用较多表项与流水线阶段的问题，提出了基于贝叶斯规则选择与分块位图编码的网内流量分类方法 SwitchRules。结合教师模型统计与规则效用评估，筛选预算内的有序分类规则，并通过分块预计算和位图运算缩短匹配依赖链，实现分类规则的有效精简与受限数据面上的高效执行。

主要学术成果

[1]  Yinchuan Cong, Kun Xie, Jigang Wen, Jiwei Zhang, Yansong Yin, Qingyi Zhang, Gaogang Xie, Wei Liang: Per-Packet Traffic Measurement in Storage, Computation and Bandwidth Limited Data Plane. IEEE/ACM Trans. Netw. 32(5): 3730-3742 (2024) （CCF A,第一作者）

[2]  Yinchuan Cong, Kun Xie, Jiajun He, Jingyang Lin, Xin Zeng, Lele Wang, Jigang Wen, Kenli Li, Shiming He, Wei Liang, Gaogang Xie. Programmable Switch Telemetry at Microsecond Granularity: BurstMon in Action. USENIXSymposium on Networked Systems Design and Implementation.  (CCF A,Accepted,第一作者)

[3]  Yinchuan Cong, Kun Xie, Jiajun He, Hanze Yan, Jingyang Lin, Jigang Wen. SwitchRules: Budget-Aware Bayesian Rule Selection for In-Network Traffic Classification. USENIXSymposium on Networked Systems Design and Implementation. (CCF A, 第一作者，在投)

[4]  Yinchuan Cong, Kun Xie, Yuhan Liu, Jigang Wen, Gaogang Xie. MDT-IHTNet: Compressive Sensing for Fine-Grained Network Traffic Measurement in the Data Plane. (SCI 一区， 第一作者，在投)