13、网络流量管理与资源优化策略解析

网络流量管理与资源优化策略解析

1. 流量模式监管

在网络中,部分网络协议要求数据源发送数据的速率不能超过特定值。协议不仅会规定长时间内的平均速率,还会明确数据源在任意 T 秒内最多可发送的流量 B(以比特为单位)。这样的规定,一方面将数据源的平均速率限制为 B/T 比特每秒,另一方面也限制了用户流量的突发程度,即每 T 个时间单位内最多只能有一次大小为 B 的突发流量。

为确保网络的有序运行,网络需要定期对流量进行监管,查找那些未遵守协议的违规者。因为若不进行监管,违规者可能会占用不公平的网络带宽资源。假设每个路由器都需要保证特定的流量在任意 T 秒内发送的比特数不超过 B。一种简单的方法是路由器使用一个每 T 秒计时一次的单一计时器,并为每个流量使用一个计数器来统计每个周期内发送的比特数。若计数器的值超过 B,则表明检测到违规行为。

然而,单一计时器只能监管部分时间段。例如,若计时器从时间 0 开始,那么只能检查 [0, T]、[T, 2T]、[2T, 3T] 等时间段,无法确保数据源在如 [T/2, 3T/2] 这样与监管时间段重叠的时间段内不违反协议。

为解决此问题,有人尝试使用多个计时器和计数器。但即便如此,流量仍可能在每个被监管的时间段内发送不超过 B 的流量,但在某些重叠时间段内发送超过 B 的流量,从而违反协议。

为解决上述问题,可以采用随机间隔的监管方式。路由器仍使用一个 T 单位的单一计时器和一个计数器。当计时器计时结束时,若计数器的值大于 B,则检测到违规。此时,设置一个标志,表示计时器现在仅用于插入一个随机间隔。然后,将计时器重新启动一个 0 到 T 之间的随机时间间隔。当计时器再次计时结束时,清除标志,初始化计数器

根据原作 https://pan.quark.cn/s/459657bcfd45 的源码改编 Classic-ML-Methods-Algo 引言 建立这个项目,是为了梳理和总结传统机器学习(Machine Learning)方法(methods)或者算法(algo),和各位同仁相互学习交流. 现在的深度学习本质上来自于传统的神经网络模型,很大程度上是传统机器学习的延续,同时也在不少时候需要结合传统方法来实现. 任何机器学习方法基本的流程结构都是通用的;使用的评价方法也基本通用;使用的一些数学知识也是通用的. 本文在梳理传统机器学习方法算法的同时也会顺便补充这些流程,数学上的知识以供参考. 机器学习 机器学习是人工智能(Artificial Intelligence)的一个分支,也是实现人工智能最重要的手段.区别于传统的基于规则(rule-based)的算法,机器学习可以从数据中获取知识,从而实现规定的任务[Ian Goodfellow and Yoshua Bengio and Aaron Courville的Deep Learning].这些知识可以分为四种: 总结(summarization) 预测(prediction) 估计(estimation) 假想验证(hypothesis testing) 机器学习主要关心的是预测[Varian在Big Data : New Tricks for Econometrics],预测的可以是连续性的输出变量,分类,聚类或者物品之间的有趣关联. 机器学习分类 根据数据配置(setting,是否有标签,可以是连续的也可以是离散的)和任务目标,我们可以将机器学习方法分为四种: 无监督(unsupervised) 训练数据没有给定...
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符  | 博主筛选后可见
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值