基于无限 HMM 的互联网路径时延大规模表征与分割
网络与互联网体系结构
2019-10-29 v1 机器学习
摘要
往返时延是计算机网络中收集最为普遍的性能指标之一。RIPE Atlas 等测量平台为研究人员和网络运营商提供了前所未有的大量历史互联网时延测量数据。若能将此类测量的处理自动化（路径性能统计表征、变更检测、重复模式识别等）将非常有用。人类很擅长从网络测量中发现模式，但将其自动化以同时处理大量时间序列往往困难。本文引入一种新模型——HDP-HMM 或无限隐马尔可夫模型，其在轨迹分割上的表现非常接近人类认知。这是以更高复杂性为代价获得的，本文的宗旨是使该理论易于被网络监测与管理领域的研究者所理解。我们证明该模型在带标签数据集以及 RIPE Atlas 与 CAIDA MANIC 数据上均给出非常准确的结果。该方法已在 Atlas 中实现，我们介绍了公开可访问的 Web API。
引用
@article{arxiv.1910.12714,
title = {Large-Scale Characterization and Segmentation of Internet Path Delays with Infinite HMMs},
author = {Maxime Mouchet and Sandrine Vaton and Thierry Chonavel and Emile Aben and Jasper den Hertog},
journal= {arXiv preprint arXiv:1910.12714},
year = {2019}
}