网络测量中基于Sketch方法的调查

目录

• LD Sketch
• SeqHash
• What’s New
• reversible sketch
• Count-Sketch和Count-min sketch
• Diamond Sketch: Accurate Per-flow Measurement
• Finding top-k elements in data streams
• 附录
  • Bloom filter
  • Quotient Filter and Cascade Filter
• 总结

LD Sketch

• 应用：网络流中的
  • 异常检测
  • heavy hitters检测
  • heavy changers检测
• 优点：准确度、可扩展性
• 特点：
  • 利用基于计数和sketch的技术
  • 并行式架构(合并分布的流)
  • 分为本地检测和分布检测
  • 由两种启发式增强方法
• [1]

SeqHash

• 应用：
  • 入侵防御
  • 大流检测
  • heavy hitters/changers 恢复
• 优点：快速精确，资源开销小（仅略大于理论值）
• [2]

What’s New

在流量之间找到绝对的、相对的和可变的差异。

• 利用sketch来记录流量
• 优点：
  • 迅速
  • 空间开销小
• [3]

reversible sketch

流量变化检测，异常检测 并不能保存流量的关键信息（IP etc.),难以恢复异常流量的关。推断流的关键信息

• 特点:
  • 以很小的内存开销，记录包的信息，
  • 确定变化(异常)的流，以及流的关键信息
• [6]

Count-Sketch和Count-min sketch

• 有相似性能
• 应用：高速流的统计
• 优点；
  • 空间开销小
  • 速度较快
• [7]

Diamond Sketch: Accurate Per-flow Measurement

for Real IP Streams

• 针对skewed IP流，sketch的测量空间效率低，Diamond Sketch为每个流动态分配sketch数。
• 优点：提升了测量的精确度并保持一定的速度。
• [8]

Finding top-k elements in data streams

• 应用：检测数据流中最常见元素
• 优点：
  • 空间开销小
  • 速度快
• [9]

附录

Bloom filter

• Bloom Filter（BF）是一种空间效率很高的随机数据结构，它利用位数组很简洁地表示一个集合
• 历史：Bloom-Filter，即布隆过滤器，1970年由Bloom中提出。
• 应用：用于检索一个元素是否在一个集合中。
• 特点：Bloom Filter有可能会出现错误判断，但不会漏掉判断。
• 适用场景：Bloom Filter”不适合那些“零错误的应用场合。而在能容忍低错误率的应用场合下，Bloom Filter比其他常见的算法（如hash，折半查找）极大节省了空间。
• 优点：是空间效率和查询时间都远远超过一般的算法，
• 缺点：是有一定的误识别率和删除困难。
• 更多详细信息，可见[10][11]

Quotient Filter and Cascade Filter

• Quitient Filter 和Cascade Filter算法由Bender等人设计，是一个空间效率高的概率性数据结构
• 应用：用于检索一个元素是否在一个集合中。
• 优点：对插入、查询、删除操作由高吞吐量，比Bloom Filter高了两个数量级。
• 更多详情见[12][13]

总结

• 基于sketch的方法以计数/统计为主，常用于大流/异常流量检测，也可以根据测量结果恢复出包的关键信息。
• 主要优点:
  • 节省空间资源
  • 速度较快
• 主要缺点:
  • 不精确
  • 计算开销较大

参考文献：
[1] A hybrid local and distributed sketching design for accurate and scalable heavy key detection in network data streams
[2] Sequential hashing: A flexible approach for unveiling significant patterns in high speed networks
[3] What’s New: Finding Significant Differences in Network Data Streams
[6] Reversible Sketches: Enabling Monitoring and Analysis Over High-Speed Data Streams
[7] An improved data stream summary: the count-min sketch and its applications
[8] Diamond Sketch: Accurate Per-flow Measurement
[9] Finding top-k elements in data streams
[10] https://www.cnblogs.com/zhxshseu/p/5289871.html
[11] https://en.wikipedia.org/wiki/Bloom_filter
[12] https://en.wikipedia.org/wiki/Quotient_filter
[13] Don’t Thrash: How to Cache your Hash on Flash