摘要:传输成本是通信系统的实用化的重要评价参数，本又墓于成本有效策略，对波带网络中多种边缘聚合机制的传输性能进行分析与评价。数值结果表明，同目的节点聚合方案具有最佳的成本有效传输性能。
关键词:通信系统成本有效策略二劝缘聚合机制二波带网络
波带交换(WBS: Waveband Switching)具有传输成本低，传输效率高等优点，是下一代光因特网备选方案中的有力竞争者。在W B S中，边缘节点将具有相同特征或要求的数据分组进行聚合，构成波带同时传输，而对于其他信号则以波长的形式进行传输。因此，为实现通信系统的高效传输，边缘节点的动态聚合与带宽分配方案始终是国内外学者研究的核心。但由于在设计过程中忽视了交换端口节省特性，亦即成本有效性分析，因而使得相关研究方案存在着一定的局限性，降低了其有效性及实用性。针对此，本文基于四种典型的边缘聚合机制，对WB S网络传输过程中的成本有效特性进行分析，力求对相关传输方案做出更为客观的评价。
2波带聚合机制
波带聚合机制，主要分为均匀聚合与非均匀聚合两大类。均匀聚合方案简单，便于实现，但传输效率较低，因此己被非均匀聚合方案所取代4-Sao WBS网络中典型的非均匀波带聚合方式有:(1)同优先级聚合;(2)同源节点聚合;(3)同宿节点聚合;(4)同源/宿节点聚合。
2.1同优先级的数据聚介方案
波带划分是考虑将来的波长，把最有优先权的波长划分到一个波带，这样保证了传输的优先性，在一定程度上加快了传送的效率。这种划分方法是考虑到有一部分用户会有一定的特殊需求，比如，一部分用户交纳了更多的费用要求得到更快速的传输速率，而大部分用户则没有这方面的要求，这时就需要将这一少部分有特殊要求的用户的数据给分配到同一个通道里进行传输。
将来自相同信源结点是相同信宿结点的通信流量所占用的光路进行捆绑，亦即将来自于同一IP地址的波长信道划分成一个波带(见图2)。这种分组方法不同于优先级的分组方式，它不是考虑部分用户的优先级，而是着眼与整个网络来定义的。同源的数据分组到一起，更能节省链接的端口数和光交叉连接器的数目，这样降低了成本的支出。
2.3同宿节点聚介
将去往相同目的结点的通信流量所占用的光路进行捆绑。在聚合过程中，不管到达的波长信道是怎样的，只需考虑把有相同目标的波长给以聚合划分即可。这种聚合方案考虑了整个光网络了整体需求，数据在中间部分被按要求将去往同一个地点的数据划分到同一波带内传输，整体上提高了传输的效率。
2.4同源/宿节点聚介
将来自相同源节点且去往相同目的结点的通信流量所占用的光路进行捆绑。由于源、宿地址均相同，因此一旦传输信道确定，这种聚合方案将类似于原始的电路交换，传输过程是封闭的。但由于需要同时考虑数据分组的源地址与目的地址，因此它增加了边缘节点的成本代价需要指出的是，其路由过程与图3中所描述的一致。
不同聚合机制的成本有效特性可由其端口数目来表征。特别地，为了量化分析，我们假设每个波带中含有G个波长。于是，根据费雪的路径成本公式，对于波长路径，其成本代价可有下式计算
Path cost =2G(N+1) (1)
而对于波带路径，则有
Path cost=4G+2(N+2)/5 (2)
其中，N表示连接数。由图1易知，同优先级聚合方案中既包含波带信道又包含波长信道，且N=36，于是联立式(1)和式(2)得到下的传输成本代价为
Path cost=2G(N+1)+4G+2(N+2)/5=2 X 1(36+1)+4
X 2+2 X(14+2)/5=88 (3)
而在同源聚合方案中则仅有波带信道，对应的连接数为14，于是根据费雪公式所得的传输成本代价为
Path cost=3 X [4G+2(N+2)/5]=3 X 4 X 2+2 X
(14+2)/5=42 (4)
可见，通过成本效率计算，我们知道同源聚合方案比同优先级聚合方案提高了52%。同理，我们可以对其他聚合机制的成本效率特性进行分析，其数值结果如图4所示。由图4可知，在波长数相同的情况下，同目的地的IP分组的路径成本是最节省的，传输效率也是最高的。同目的地的IP分组的路径成本跟其他三种分组方案相比，我们可以看到比均匀分组的成本节省了71.6%,比同优先级分组节约了52.3%，与同源IP分组相比，在波长数较少时，它们在成本上相同的。但是随着波长数的增加，由于同源IP分组在中途会有一部分数据传送的其它目的地，所以这种分组比较复杂，我们可以得出同目的地的IP分组是在骨干网应用中最好的选择。
本文基于成本有效策略，对多种边缘聚合机制下的传输性能进行了数值分析。分析结果表明，非均匀波带聚合机制的传输成本节省要远远高于均匀聚合机制。而在非均匀机制内，随着信道内波长数目的增加，同目的节点聚合方案的成本有效特性是最佳的。
在本文中，我们提出了一种基于支持向量机与遗传算法的入侵检测方法。由于数据中的一些特征可能是不相关的或者是冗余的，我们爹先使用遗传算法选择和优化特征值，然后使用支持向量机进行分类。实验结果表明支持向量机实现了非常好的分类精度，在特征选择和优化之后精度可以明显的提高。因此，应用支持向量机和遗传算法的入侵检测是非常有效的。 |
