基于TraceNET的多源协作网络拓扑测量与应用

本文主要探讨了SLF混沌神经网络在复杂网络管理中的潜在应用，特别是在网络拓扑研究领域的创新方法。随着计算机网络技术的快速发展和互联网的全球普及，网络规模的扩大和结构的复杂性使得网络管理变得尤为重要，其中网络故障管理、配置管理、性能监控以及网络升级等工作都直接依赖于精确的网络拓扑信息。然而，传统方法往往难以提供实时且准确的路由器级拓扑，这成为了一个挑战。 TraceNET作为一种端到端的拓扑测量工具，相较于传统的traceroute，其独特之处在于它不仅返回所经过的路由器的入口IP，还提供了路由器所在子网以及两个端口的IP，即所谓的路由器别名。这种方法在某些情况下能够提供更为详细的信息，但在处理大规模、动态变化的网络时，单源数据可能不足以获取全面的拓扑信息。 为了克服这一问题，论文提出了一种基于TraceNET的多源协作拓扑测量方法。通过整合来自多个数据源的信息，这种方法能够提高拓扑测量的准确性和效率。作者将这种新颖的方法应用于中国科学技术大学（USTC）的校园网，结果显示，这种方法成功地实现了路由器别名的绑定和子网的发现，验证了其在实际网络环境中的实用价值。 基于USTC校园网的成功应用，该方法进一步扩展到了中国教育科研网（CERNET），为网络管理员和研究人员提供了路由器级拓扑的精细度提升。这种拓扑信息对于网络的日常管理、故障诊断、策略优化以及研究互联网的动态特性具有显著的参考价值。通过多源协作，这种方法不仅解决了单个数据源的局限性，而且提高了网络拓扑获取的精度和时效性，对于推动网络管理技术的发展具有重要的理论和实践意义。