Key points are not available for this paper at this time.
As matrizes de tráfego são entradas necessárias para muitas tarefas de gerenciamento de redes IP: por exemplo, planejamento de capacidade, engenharia de tráfego e análise de confiabilidade da rede. No entanto, é difícil medir essas matrizes diretamente, e assim tem havido um interesse recente em inferir matrizes de tráfego a partir de medições de link e outros dados mais facilmente mensuráveis. Tipicamente, esse problema de inferência é mal posicionado, pois envolve significativamente mais incógnitas do que dados. A experiência em muitos campos científicos e de engenharia mostrou que é essencial abordar tais problemas mal posicionados por meio de "regularização". Este artigo apresenta uma nova abordagem para a estimativa de matrizes de tráfego usando uma regularização baseada em "penalização por entropia". Nossa solução escolhe a matriz de tráfego consistente com os dados medidos que é, teoricamente da informação, a mais próxima de um modelo no qual pares fonte/destino são estocasticamente independentes. Usamos algoritmos rápidos baseados na moderna teoria de otimização convexa para resolver nossas matrizes de tráfego. Avaliamos o algoritmo com dados reais de tráfego de backbone e roteamento, e demonstramos que ele é rápido, preciso, robusto e flexível.
Zhang et al. (Mon,) estudaram esta questão.