Key points are not available for this paper at this time.
Les matrices de trafic sont des intrants nécessaires pour de nombreuses tâches de gestion des réseaux IP : par exemple, la planification de la capacité, l'ingénierie du trafic et l'analyse de la fiabilité du réseau. Cependant, il est difficile de mesurer ces matrices directement, et il y a donc récemment un intérêt pour l'inférence des matrices de trafic à partir des mesures de liens et d'autres données plus facilement mesurables. En général, ce problème d'inférence est mal posé, car il implique significativement plus d'inconnues que de données. L'expérience dans de nombreux domaines scientifiques et techniques a montré qu'il est essentiel d'aborder de tels problèmes mal posés par le biais de la "régularisation". Cet article présente une nouvelle approche pour l'estimation des matrices de trafic utilisant une régularisation basée sur la "pénalisation de l'entropie". Notre solution choisit la matrice de trafic cohérente avec les données mesurées qui est informationnellement la plus proche d'un modèle dans lequel les paires source/destination sont stochastiquement indépendantes. Nous utilisons des algorithmes rapides basés sur la théorie moderne de l'optimisation convexe pour résoudre nos matrices de trafic. Nous évaluons l'algorithme avec de véritables données de trafic de backbone et de routage, et montrons qu'il est rapide, précis, robuste et flexible.
Zhang et al. (Mon,) ont étudié cette question.