学位论文简介
获取全网性能数据对于异常监测，容量规划等诸多网络任务至关重要，随着互联网的迅速发展，网络规模不断变大，仅通过测量的方式来感知全网状态变得愈发困难。此外，进行全网测量也会给网络带来一定的负荷，影响网络运行环境。如何在保证准确获得全网性能数据的前提下降低测量代价成为一个具有挑战性的难题。为了降低网络测量开销，本文基于子空间填充方法展开深入研究，主要工作和创新点概括如下：
为了降低测量开销，提出了一种基于滑动窗口的在线稀疏网络监控方案。基于相邻窗口数据关系，提出了一种估计当前窗口秩的算法。在估计秩的基础上，提出了一种自适应采样调度算法。为了更快速的恢复数据，提出通过重用前一个时隙的矩阵计算结果来加快重构过程的轻量级算法。
为了进一步提升恢复精度，基于网络流量数据的相干性特征，提出了一种基于行子空间的矩阵补全的稀疏测量填充方案，设计了一种从历史数据中识别子空间行（OD对）的算法，基于识别出的子空间行，设计了采样调度算法，在子空间行中测量全部样本，在剩余行中仅需测量部分样本。此外，提出了一个冗余采样规则，以防止由于子空间行变化而导致的恢复精度降低。最后，设计了一种填充算法来恢复部分测量的行。
为了同时降低高相干性带来的负面影响以及支持支持实时测量及填充，利用相邻时隙网络流量数据变化不大的特性，提出了基于变化子空间的低开销在线测量方案，为了降低高列相干性带来的负面影响，通过研究流量矩阵的杠杆得分分布，提出了基于杠杆得分的采样权重函数，用于指导部分采样列中的采样。
针对二维矩阵信息表征能力有限的问题，提出了一种基于张量子空间的低开销网络测量方案。对于每个时隙的切片，仅采样部分数据，然后利用张量子空间进行填充，以降低测量开销。此外，为了进一步降低测量代价，在不满足恢复条件时，采用基于子空间的矩阵填充方式来恢复当前时隙的流量矩阵，避免了对该切片进行全测量。
主要学术成果
Kai Jin, Kun Xie, Xin Wang, Jiazheng Tian, Gaogang Xie, Jigang Wen, Kenli Li. Low Cost Online Network Traffic Measurement With Subspace-Based Matrix Completion[J]. IEEE Transactions on Network Science and Engineering TNSE, 2023. (SCI,第一作者)
Kai Jin, Kun Xie, Jiazheng Tian, Wei Liang, Jigang Wen. Low Cost Network Traffic Measurement and Fast Recovery via Row Subspace-based Matrix Completion. Connection Science 2023, (SCI, 第一作者)
Jigang Wen, Yuxiang Chen, Kai Jin, Chuda Liu. Revolutionizing Network Performance: The Active and Passive Service Path Performance Monitoring Analysis Method, IEEE CSCloud2023. (EI，通讯作者)
Yang Yang, Kai Jin, Wei Liang, Yaqin Liu, Yuhui Li. A Review of Blockchain-Based Privacy Computing Research, IEEE CSCloud2023. (EI，第二作者)
