Модели и методы выявления структуры локальной вычислительной сети при неполных данных

Обложка

Цитировать

Полный текст

Аннотация

Описание логической и физической структуры сети необходимо для решения многих задач сетевого управления. Автоматизация построения такого описания осложнена возможностью неполноты и некорректности исходных данных о структуре сети, получаемых из стандартных источников. В данной статье приводится исследование свойств неполных исходных данных о связях сетевых устройств на канальном уровне. Для этого вводятся графовые модели структуры канального уровня в присутствии виртуальных локальных сетей, формализуется задача дополнения исходных данных. Приводятся методы обобщённой обработки разнородных исходных данных о канальном уровне. В работе описываются модели и методы выведения части отсутствующих данных, а также условие, при котором исходные данные могут позволить построить единственное правильное описание структуры сети. Статья включает методы определения в исходных данных некорректных элементов и ситуаций, при которых возможно несколько решений задачи описания структуры сети. Приводятся алгоритмы построения описания структуры сети при неполных данных, когда их можно и нельзя восполнить до необходимого объема, методы разрешения неоднозначности во входных данных и методы исправления некорректных данных. Проведённые вычислительные испытания методов на сгенерированных данных и в реальных сетях показывают их применимость и эффективность в сетях различных структур и со смешанным набором производителей оборудования. Также, показывается преимущество перед разработанными ранее аналогичными методами: способность дополнить до 99% данных о связях на канальном уровне за полиномиальное время, возможность получения точного решения при неоднозначности исходных данных.

Об авторах

А. А Андреев

Петрозаводской государственный университет

Email: andreev@cs.petrsu.ru
пр. Ленина 33

А. И. Шабаев

Петрозаводской государственный университет

Email: ashabaev@petrsu.ru
пр. Ленина 31

Список литературы

  1. Hussain T. H., Habib S. J. Capacity planning of network redesign—A case study // Proceedings of the 2010 International Symposium on Performance Evaluation of Computer and Telecommunication Systems (SPECTS’10). – IEEE, 2010. – pp. 52–57.
  2. Zhu Z. et al. Data flow monitoring and control of LAN based on strategy // 2010 International Conference on Networking and Digital Society. – IEEE, 2010. – vol. 2. – pp. 225–228.
  3. Sivakumar L. et al. Virtual topologies for abstraction service for IP-VPNs // 2016 17th International Telecommunications Network Strategy and Planning Symposium (Networks). – IEEE, 2016 . – pp. 213–220.
  4. Wang C. et al. A method of network topology optimization design considering application process characteristic // Modern Physics Letters B. – 2018. – vol. 32. – no. 07. – pp. 1850091-1–1850091-11.
  5. Gobjuka H., Breitbart Y. J. Ethernet topology discovery for networks with incomplete information // IEEE/ACM Transactions on Networking. – 2010. – vol. 18. – no. 4. – pp. 1220–1233.
  6. Zichao L. et al. Ethernet topology discovery for virtual local area networks with incomplete information // 2014 4th IEEE International Conference on Network Infrastructure and Digital Content. – IEEE, 2014. – pp. 252–256 .
  7. Bejerano Y. Taking the skeletons out of the closets: a simple and efficient topology discovery scheme for large ethernet lans // IEEE/ACM Transactions on Networking. –2009. – vol. 17. – no. 5. – pp. 1385–1398.
  8. Zhou J., Ma Y. Topology discovery algorithm for ethernet networks with incomplete information based on VLAN // 2016 IEEE International Conference on Network Infrastructure and Digital Content (IC-NIDC). – IEEE, 2016 . – pp. 396 –400.
  9. Andreev A., Shabaev A., Bogoiavlenskii I. Network Topology Discovery: a Problem of Incomplete Data Improvement // 2019 24th Conference of Open Innovations Association (FRUCT). – IEEE, 2019. – pp. 10–16 .
  10. Andreev A., Bogoiavlenskii I. An algorithm for building an enterprise network topology using widespread data sources // 2017 21st Conference of Open Innovations Association (FRUCT). – IEEE, 2017. – pp. 34–43.
  11. Андреев А. А. Обобщенная графовая модель виртуальных частных сетей в коммуникационной инфраструктуре локального поставщика сетевых услуг // Программная инженерия. – 2017. – Т. 8. – №. 6 . – С. 243–249.
  12. Андреев А. А. и др . Обобщенная графовая модель структуры физического, канального и сетевого уровней ИКТ-инфраструктуры локального поставщик а сетевых услуг //Программная инженерия. – 2016 . – Т. 7. – №. 9. – С. 400–407.
  13. Sun Y., Shi Z., Wu Z. A discovery algorithm for physical topology in switched ethernets // The IEEE Conference on Local Computer Networks 30th Anniversary (LCN’05) l. –IEEE, 2005. – pp. 311–317.
  14. Zhangchao W. et al. An algorithm and implementation of network topology discovery based on SNMP // 2016 First IEEE International Conference on Computer Communication and the Internet (ICCCI). – IEEE, 2016 . – pp. 283–286 .
  15. Zhou S. et al. Research on Network Topology Discovery Algorithm for Internet of Things Based on Multi-Protocol // 2018 10th International Conference on Modelling, Identification and Control (ICMIC). – IEEE, 2018. – pp. 1–6 .
  16. Ma X., Yu T. An algorithm of physical network topology discovery in multi-VLANs // Telkomnika. – 2016 . – vol. 14. – no. 3A. – pp. 375–379.
  17. Jiang J., Xu X. L., Cao N. Research on improved physical topology discovery based on SNMP // 2017 IEEE International Conference on Computational Science and Engineering (CSE) and IEEE International Conference on Embedded and Ubiquitous Computing (EUC). – IEEE, 2017. – vol. 2. – pp. 219–222.
  18. Zhang X. et al. An Optimization Algorithm of Network Topology Discovery Based on SNMP Protocol // Journal of Computer and Communications. – 2018. – vol. 6 . – no. 01. –pp. 104–111.
  19. Zhou Y. et al. Discovery algorithm for network topology based on SNMP // 2015 International Conference on Automation, Mechanical Control and Computational Engineering. – Atlantis Press, 2015. - pp. 16 23–16 28.
  20. Li D. et al. Research and Application of Heterogeneous Network Topology Discovery Algorithm Based on Multiple Spanning Tree Protocol // Knowledge Discovery and Data Mining. – Springer, Berlin, Heidelberg, 2012. – pp. 437–444.

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».