[论文解读] Near-Deterministic Inference of AS Relationships

Yuval Shavitt, Eran Shir+1 more|ArXiv.org|Nov 28, 2007

Complex Network Analysis Techniques被引用 9

一句话总结

本文提出了一种近确定性的算法，用于使用顶级提供商的互联网核心推断自治系统（AS）关系。通过利用BGP和traceroute数据，该方法在核心不完美时仍能以极低错误率确定性地推断超过95%的AS链路，且显著提升了通过DIMES数据检测的p2p链路，验证了其在仅使用20个核心AS和一周数据时的鲁棒性和可扩展性。

ABSTRACT

The discovery of Autonomous Systems (ASes) interconnections and the inference of their commercial Type-of-Relationships (ToR) has been extensively studied during the last few years. The main motivation is to accurately calculate AS-level paths and to provide better topological view of the Internet. An inherent problem in current algorithms is their extensive use of heuristics. Such heuristics incur unbounded errors which are spread over all inferred relationships. We propose a near-deterministic algorithm for solving the ToR inference problem. Our algorithm uses as input the Internet core, which is a dense sub-graph of top-level ASes. We test several methods for creating such a core and demonstrate the robustness of the algorithm to the core's size and density, the inference period, and errors in the core. We evaluate our algorithm using AS-level paths collected from RouteViews BGP paths and DIMES traceroute measurements. Our proposed algorithm deterministically infers over 95% of the approximately 58,000 AS topology links. The inference becomes stable when using a week worth of data and as little as 20 ASes in the core. The algorithm infers 2-3 times more peer-to-peer relationships in edges discovered only by DIMES than in RouteViews edges, validating the DIMES promise to discover periphery AS edges.

研究动机与目标

• 解决现有AS关系推断算法中缺乏误差边界的缺陷，这些算法严重依赖启发式方法。
• 开发一种确定性推断方法，通过使用稳定、高层级的互联网核心作为输入，最大限度减少误差传播。
• 评估算法在不同核心定义、规模和误差水平下的鲁棒性。
• 通过整合DIMES追踪数据，改进对等（p2p）关系的检测，该数据捕捉了BGP路由表中未显示的边缘链路。
• 通过将启发式方法限制在关系的极小、明确定义的子集中，为推断误差提供严格边界。

提出的方法

• 该算法以一组顶级AS构成的密集子图——即互联网核心——作为输入，其关系类型已知。
• 基于RouteViews的BGP数据和DIMES追踪数据中的AS级路径，应用确定性推断过程，以推断关系而不引入新错误。
• 对于无法通过确定性方法推断的边，采用两阶段启发式方法：基于度数的投票和k-shell索引比较，以解决冲突并推断p2p链路。
• 通过多种方法（如k-core、贪心最大团）构建核心，以测试在不同定义下的鲁棒性。
• 通过向核心中注入随机错误并测量确定性推断的退化程度以及与CAIDA真实数据的相关性，评估推断的稳定性和准确性。
• 同时利用BGP和追踪数据以增加观测点，并检测BGP表中不可见的p2p链路。

实验结果

研究问题

• RQ1 能否设计一种AS关系的确定性推断算法，以避免启发式方法固有的误差无界传播？
• RQ2 该算法对核心规模、密度和定义的变化（包括核心成员或关系中的错误）有多大的鲁棒性？
• RQ3 与仅使用BGP数据相比，整合DIMES追踪数据在多大程度上提升了对等（p2p）关系的检测能力？
• RQ4 实现AS关系稳定且准确的确定性推断所需的最小核心规模是多少？
• RQ5 当核心中包含越来越多的随机或错误AS时，该算法的性能会如何退化？

主要发现

• 该算法仅使用一周数据和最少20个AS的核心，即可确定性地推断约58,000条AS拓扑链路中的95%以上。
• 即使将高达50%的核心AS替换为随机AS，该算法仍保持鲁棒性，仅不到20%的边需要启发式推断。
• 通过该算法推断出的p2p关系中，有约40%未出现在RouteViews BGP表中，凸显了DIMES在检测边缘链路方面的价值。
• 仅在DIMES数据中发现的p2p边比例约为12%，远高于所有边的平均值4–5%，表明DIMES能捕捉到更多p2p关系。
• 当核心中包含50%随机AS时，与CAIDA真实数据相比，p2p边分类错误率从约16%上升至40%以上。
• 该算法在一周数据后即达到稳定的推断性能，在现实核心错误下退化极小，证明了其实际可行性。